امیرحسین کارگرخبازی - دپارتمان مهندسی کامپیوتر، دانشگاه بناب، بناب، ایران
حجت امامی - دپارتمان مهندسی کامپیوتر، دانشگاه بناب، بناب، ایران

مقدمه: یکی از مهمترین چالش ها در تشخیص و درمان تومورها، تقسیم بندی آنها در تصاویر پزشکی است. تقسیم بندی تومورمغزی، فرآیند تشدخیص، تعیین و جداسدازی تومور از بافت طبیعی مغز است. هدف تعیین مرز دقیق بافت های سالم و سرطانیاز طریق بررسدی دقیق سلولهای مغز است. یکی از مهمترین روشهای خودکار تقسیم بندی تومور، یادگیری عمیق است. برایتعیین اینکه چگونه رویکردهای تقسیم بندی تومور مبتنی بر یادگیری عمیق در سال های اخیر تکامل یافته اند، در این مقاله،روش های منتشر شده بین سال های ۲۰۱۲ تا ۲۰۲۲ بررسی می شوند.مواد و روش ها: برای طبقه بندی و ارزیابی سیستم های مختلف تقسیم بندی تومور مبتنی بر یادگیری عمیق، یک چارچوبمقایسه ای پیشنهادشده است. چارچوب پیشنهادی شامل چهار بعد است: ابعاد منبع ورودی، ساختار طبقه بند، روش ارزیابی ومقیاس سیستم. ویژگی ابعاد ورودی نشان دهنده این است که "تعداد ابعاد تصاویر ورودی چقدر است؟" ویژگی ساختارطبقه بند بر این سوال متمرکز شده است که "ساختار و توپولوژی شبکه عصبی مورد استفاده در سیستم تقسیم بندی تومورچیست؟" ویژگی روش ارزیابی، مجموعه داده ها و معیارهای کارایی را نشان می دهد که برای ارزیابی عملکرد سیستم استفادهشده اند. ویژگی مقیاس بر حوزه عملیاتی سیستم تمرکز دارد. درنهایت، روشهای تقسیم بندی تومور با استفاده از چارچوبمقایسه ای مورد بحث قرار گرفته و برخی از مشکلات مطرح در حوزه تشخیص تومور لیست شده اند.نتایج: روش های تقسیم بندی تومور با استفاده از چارچوب مقایسه ای پیشنهادی مورد بحث قرار گرفته و برخی از مشکلاتمطرح و روندهای اصلی لیست شده اند. نتایج نشان می دهد که اکثر روش های بزرگ-مقیاس، قابل انطباق، نتایج مطلوبی کسبکرده و تصاویر سه بعدی را به عنوان ورودی می پذیرند.نتیجه گیری: روش های مختلف تقسیم بندی تومور مبتنی بر یادگیری عمیق با توجه به چارچوب مقایسه ای پیشنهادی بررسیو مقایسه شده اند. این مقاله، راهنمایی خوبی برای محققان برای استفاده یا توسعه سیستم های قدرتمند تقسیم بندی تومور باتوجه به اهدافشان ارائه می کند.

تقسیم بندی تومور مغزی، هوش مصنوعی، یادگیری عمیق، چارچوب مقایسه