增强 MRI 中的脑肿瘤分类：利用深度卷积神经网络提高准确性 Shourove Sutradhar Dip 毛拉纳巴沙尼科技大学信息和通信技术系，孟加拉国 Tangail-1902 电子邮件：it16008@mbstu.ac.bd Md. Habibur Ra​​hman 毛拉纳巴沙尼科技大学信息和通信技术系，孟加拉国 Tangail-1902 电子邮件：it16051@mbstu.ac.bd Nazrul Islam* 贾汉吉尔纳加尔大学信息技术学院，孟加拉国 Dhaka-1342 Savar 电子邮件：nazrul.mbstu@gmail.com ORCID iD：https://orcid.org/0000-0002-9276-8388 *通讯作者 Md. Easin Arafat 信息技术学院， Jahangirnagar 大学，Savar，Dhaka-1342，孟加拉国 电子邮件：arafatr.research@gmail.com ORCID iD：https://orcid.org/0000−0003−4014−9144 Pulak Kanti Bhowmick Mawlana Bhashani 科技大学信息与通信技术系，Tangail-1902，孟加拉国 电子邮件： pulak.ict.mbstu@gmail.com Mohammad Abu Yousuf 信息技术研究所，Jahangirnagar 大学，Savar, Dhaka-1342, 孟加拉国 电子邮件：yousuf@univ.edu ORCID iD：https://orcid.org/0000-0001-8065-7173 收稿日期：2023 年 10 月 25 日；修订日期：2023 年 12 月 7 日；接受日期：2024 年 1 月 12 日；发布日期：2024 年 6 月 8 日 摘要：脑肿瘤是最致命的癌症之一，患者的死亡率很高。识别和分类脑肿瘤是了解其功能的关键步骤。治疗脑肿瘤的最佳方法取决于其类型、大小和位置。在现代，放射科医生利用可以通过磁共振成像 (MRI) 确定的脑肿瘤位置。然而，手动测试和 MRI 检查既费时又需要技能。此外，肿瘤的误诊可能导致不适当的药物治疗，这可能会降低他们的生存机会。随着深度学习 (DL) 技术的进步，计算机辅助诊断 (CAD) 以及机器学习 (ML) 技术已经发展到帮助检测脑肿瘤的程度，放射科医生现在可以更准确地识别脑肿瘤。本文提出了一种使用 VGG16 模型进行 MRI 图像分类以构建深度卷积神经网络 (DCNN) 架构。使用来自 Kaggle 的两组脑部 MRI 数据对所提出的模型进行了评估。在 Google Colab 训练期间，考虑到这两个数据集，所提出的方法取得了显著的性能，最高总体准确率分别为 96.67% 和 97.67%。据报道，所提出的模型在训练期间运行良好，准确率很高。所提出的模型的性能标准超越了现有技术。索引词：CNN、脑肿瘤、ML、MRI 图像、VGG16。