Journal of Health and Biomedical Informatics

fa تشخیص و تحلیل تومورهای مغزی در تصاویر پزشکی با استفاده از شبکه عصبی پیش‌خور بهینه‌شده با الگوریتم‌های الهام گرفته از رفتارهای کوانتومی Diagnosis and Analysis of Brain Tumors in Medical Images Using a Feedforward Neural Network Optimized with Quantum-Inspired Algorithms سیستمهای تصاویرپزشکی سیستمهای اطلاعات رادیولوژی و PACS Picture Archiving and Communication Systems (PACS) پژوهشي اصیل Original Article مقدمه:  تشخیص سریع و دقیق تومور مغزی، برنامه ریزی درمان و بقا را به‌طور چشمگیری بهبود می‌دهد، اما بررسی دستی تصاویر تشدید مغناطیسی چندوجهی به‌دلیل ناهمگنی ضایعه، شباهت به بافت سالم و حجم بالای داده‌ها کند و خطاپذیر است. این پژوهش یک چارچوب خودکار متشکل از شبکه عصبی پیش‌خور سبک با مکانیزم توجه درونی و بهینه‌سازی ازدحام ذرات کوانتومی (QPSO) ارائه می‌کند. هدف، افزایش سرعت و دقت شناسایی تومور و حفظ تفسیرپذیری در محیط‌های درمانی دارای محدودیت منابع است. روش کار: تصاویر MRI چندوجهی (T1، T1ce، T2 و FLAIR) از منابع معتبر مانند چالش قطعه‌بندی تومور مغزی (BraTS) و آرشیو تصویربرداری سرطان (The Cancer Imaging Archive) گردآوری شدند. تصاویر با نرمال‌سازی شدت، فیلترهای حذف نویز (گوسی و میانه) و اصلاح ناهمگنی شدت پیش‌پردازش شدند. ویژگی‌های آماری، بافتی و فرکانسی استخراج و با تحلیل مؤلفه‌های اصلی (PCA) به 300 مؤلفه کاهش یافتند. وزن‌دهی ویژگی‌ها با روشی الهام‌گرفته از اهمیت‌سنجی اسناد انجام شد. مدل شامل شبکه عصبی پیش‌خور با پنج لایه پنهان و مکانیزم توجه درونی بود که با QPSO بهینه شد. نقشه‌های حرارتی برای تفسیر نتایج تولید شدند. یافته‌ها: مدل پیشنهادی به دقت 99/6%، حساسیت 99/4‌% و ویژگی 99/7% دست یافت و شبکه‌های کانولوشنی مرجع (97/1%) و معماری‌های U‑Net (96/2%) را پشت سر گذاشت. میانگین زمان پیش‌بینی هر تصویر کمتر از 0/5 ثانیه بود که استفاده بالینی در زمان واقعی را امکان‌پذیر می‌کند. نقشه‌های حرارتی حاصل از لایه توجه، نواحی غیرطبیعی را با تمرکز دقیق برجسته نمود و تفسیرپذیری را تقویت کرد. این شاخص‌ها در تقسیم‌بندی‌های تصادفی مکرر پایدار تکرار شدند و ارزیابی کیفی متخصصان تصویربرداری، عدم کاهش ویژگی و ارتباط بالینی یافته‌ها را تأیید کرد. نتیجه‌گیری: شبکه پیش‌خور مجهز به توجه درونی و بهینه‌شده با QPSO توانست دقتی نزدیک به کامل و استنباطی زیر ثانیه برای تشخیص تومور مغزی روی MRI چندوجهی فراهم آورد. عملکرد بالا روی GPUهای استاندارد همراه با تولید نقشه‌های حرارتی شهودی، این چارچوب را به ابزار پشتیبان تصمیم‌گیری عملی، به‌ویژه در مراکز فاقد زیرساخت پیشرفته، بدل می‌کند. ارزیابی آینده بر داده‌های چندمرکزی و استقرار در دستگاه‌های لبه تمرکز خواهد داشت تا پذیرش بالینی و الزامات مقرراتی تقویت شود. Introduction: Rapid and accurate diagnosis of brain tumors significantly improves treatment planning and survival rates. However, the manual review of multi‑modal magnetic resonance images is often slow and prone to errors due to lesion heterogeneity, similarity to healthy tissue, and large data volumes. This study presents an automated framework that incorporates a lightweight feed‑forward neural network with an intrinsic attention mechanism and quantum‑behaved particle swarm optimization (QPSO). The aim of this study is to improve the speed and accuracy of tumor identification while maintaining interpretability in clinical environments with limited resources. Method: Multimodal MRI images (T1, T1ce, T2, and FLAIR) were sourced from reputable databases, including the Brain Tumor Segmentation Challenge (BraTS) and The Cancer Imaging Archive (TCIA). The images underwent preprocessing, which included intensity normalization (Z-score), noise reduction using Gaussian and median filters, and correction of intensity inhomogeneity. Statistical, textural, and frequency-based features were extracted and reduced to 300 principal components using Principal Component Analysis (PCA). Feature weighting was performed using a document relevance-inspired method. The proposed model, a five-layer feedforward neural network (FNN) with a ReLU activation function and an internal attention mechanism, was optimized using QPSO. Heatmaps were generated to enhance result interpretability. Results: The proposed model achieved an accuracy of 99.6 %, sensitivity of 99.4 %, and specificity of 99.7 %, outperforming reference convolutional networks (97.1 %) and U‑Net architectures (96.2 %). The mean prediction time per image was less than 0.5 seconds, facilitating real‑time clinical use. Heatmaps produced by the attention layer, effectively highlighted abnormal regions and enhanced interpretability. These metrics were consistently replicated across multiple random splits, and qualitative evaluations by imaging specialists confirmed the absence of specificity loss and the clinical relevance of the findings. Conclusion: A feedforward network equipped with intrinsic attention and optimized with QPSO demonstrated near‑perfect accuracy and sub‑second inference for brain tumor diagnosis on multi‑modal MRI. Its high performance on standard GPUs, combined with the generation of intuitive heatmaps, positions this framework as a practical decision‑support tool, particularly in centers lacking advanced infrastructure. Future evaluations will focus on multi‑center data and deployment on edge devices to strengthen clinical adoption and regulatory compliance. تشخیص تومور مغزی, شبکه عصبی پیش‌خور, مکانیسم توجه, قطعه‌بندی تصویر پزشکی, بهینه‌سازی ازدحام ذرات کوانتومی Brain Tumor Detection, Feedforward Neural Network, Attention Mechanism, Medical Image Segmentation 64 78 http://jhbmi.ir/browse.php?a_code=A-10-1165-1&slc_lang=fa&sid=1 Mostafa Kashani مصطفی کاشانی mostafa.kashani@sirums.ac.ir 100319475328460010587 100319475328460010587 Yes Ph.D. in Computer Software, Assistant Professor, Department of Health Information Technology, Sirjan School of Medical Sciences, Sirjan, Iran دکترای نرم افزار کامپیوتر، استادیار، گروه فناوری اطلاعات سلامت، دانشکده علوم پزشکی سیرجان، سیرجان، ایران Shayan Rahman Setayesh شایان رحمان ستایش shayanrahmansetayesh268@gmail.com 100319475328460010588 100319475328460010588 No Bachelor’s Student in Computer Engineering, Shahid Bahonar University of Kerman, Kerman, Iran دانشجوی کارشناسی مهندسی کامپیوتر، دانشگاه شهید باهنر کرمان،کرمان، ایران Seddigheh Barzekar صدیقه برزه کار s.barzekar@sirums.ac.ir 100319475328460010589 100319475328460010589 No Subspecialist in Endocrinology and Metabolism, Assistant Professor, Department of Medicine, Sirjan School of Medical Sciences, Sirjan, Iran فوق تخصص غدد درون ریز و متابولیسم‌، ‌استادیار، گروه پزشکی، دانشکده علوم پزشکی سیرجان، سیرجان، ایران