انجمن مهندسی پزشکی ایران نشریه علمی مهندسی پزشکی زیستی 2008-5869 19 4 2026 02 20 Accuracy and Precision Improving of Brain Tumors Diagnosis in MRI Images using Deep Learning Methods based on Swarm Intelligence Algorithms بهبود دقت و صحت تشخیص تومورهای مغزی در تصاویر MRI با استفاده از روش‌های یادگیری عمیق مبتنی‌بر الگوریتم‌های هوش‌جمعی 273 288 737312 10.22041/ijbme.2026.2077589.2008 FA منیژه سادات بنی فاطمه گروه مهندسی کامپیوتر، واحد قوچان، دانشگاه آزاد اسلامی، قوچان، ایران رضا قائمی گروه مهندسی کامپیوتر، واحد قوچان، دانشگاه آزاد اسلامی، قوچان، ایران 0000-0003-2547-4109 امیر طباطبایی گروه پرستاری، واحد قوچان، دانشگاه آزاد اسلامی، قوچان، ایران 0000-0002-3945-5841 Journal Article 2025 11 12 Accurate and rapid brain tumors diagnosis of brain tumors in magnetic resonance imaging (MRI) is one of the major challenges in the health and medical fields, especially in radiology. The deep learning models have been widely used in the medical field due to their high capabilities in extracting complex and nonlinear features from image data. However, deep learning models may have unstable results due to their strong dependence on model settings and sensitivity to input data quality. In this study, in order to improve the accuracy and precision in diagnosis of brain cancer tumors, a deep learning model is proposed based on two swarm intelligence algorithms, in which the particle swarm algorithm is employed to adjust the hyper parameters of the deep neural network and the ant colony algorithm is applied to select the most effective features of MRI images. Experimental results of tests on the Kaggle MRI brain tumor as benchmark dataset indicate 95% accuracy and 91% accuracy of brain tumor diagnosis obtained from the proposed model in this study, as well as improved performance compared to conventional deep learning methods. تشخیص دقیق‌ و سریع تومورهای مغزی از روی تصاویر پرتو مغناطیسی (MRI)، یکی از چالش‌های مهم در حوزه سلامت و پزشکی، به‌ویژه در رادیولوژی است. استفاده ‌از مدل‌های یادگیری‌عمیق، به دلیل قابلیت‌های بالا در استخراج ویژگی‌های پیچیده و غیرخطی از داده‌های تصویری، به‌طور گسترده‌ای در حوزه پزشکی مورد توجه قرار گرفته است. با این حال، مدل‌های یادگیری‌عمیق به دلیل وابستگی شدید به تنظیمات مدل و حساسیت به کیفیت داده‌های ورودی، ممکن است نتایج ناپایداری داشته باشند. در این پژوهش، به منظور بهبود دقت و صحت در تشخیص تومورهای سرطانی مغزی، یک مدل یادگیری عمیق مبتنی بر الگوریتم هوش جمعی پیشنهاد شده است، به طوری که از الگوریتم ازدحام ذرات برای تنظیم ابرپارمترهای شبکه عصبی عمیق و از الگوریتم کلونی مورچه برای انتخاب موثرترین ویژگی های تصاویر MRI استفاده شده است. نتایج تجربی آزمایش ها بر روی مجموعه داده‌های محک تومورهای مغزی Kaggle Brain MRI، نشان دهنده 95% دقت و 91% صحت تشخیص تومورهای مغزی به دست آمده از مدل پیشنهادی این تحقیق و همچنین، بهبود عملکرد آن نسبت به روش‌های معمول یادگیری عمیق می باشد. https://www.ijbme.org/article_737312_6d12fee1d1339c293ed7efcad4036d66.pdf