امیر رجائی - دانشگاه ولایت ایرانشهر
شیوا عرب خزایی - غیرانتفاعی هاتف زاهدان
ساحره کوچکزایی - غیرانتفاعی هاتف زاهدان

قطعه بندی تومور مغزی یکی از کارهای مهم در زمینه ی پردازش تصویر پزشکی است. تشخیص زودهنگام تومورهای مغزی در افزایش احتمال بهبود با درمان و زنده ماندن بیماران نقش مهمی ایفا می کند. قطعه بندی تومورهای مغزی برای تشخیص سرطان به صورت دستی (توسط انسان)، از میان تعداد زیادی از تصاویر MRI تولید شده در روتین های پزشکی می تواند کاری دشوار و وقت گیر باشد. به همین دلیل یک نیاز اساسی برای قطعه بندی تصویر تومور مغزی به صورت خودکار وجود دارد. هدف از این مقاله، ارائه ی یک بررسی بر روی روش های قطعه بندی تصویر تومور مغزی مبتنی بر MRI است. به تازگی، استفاده از روش های یادگیری عمیق برای قطعه بندی خودکار به صورت عمومی اثبات شده اند، چرا که این روش ها به نتایج پیشرفته و جدیدی دست یافته اند و می توانند بهتر از روش های دیگر به این مسئله رسیدگی کنند. روش های یادگیری عمیق همچنین می توانند پردازش کارآمد و ارزیابی قابل مشاهده و هدفمندی از حجم عظیمی از داده های تصاویر مبتنی بر MRI را ممکن سازند. مقالاتی وجود دارند که با تمرکز بر روش های رایی و سنتی برای قطعه بندی تصویر تومور مغزی مبتنی بر MRI به بررسی این زمینه پرداخته اند. ولی برخلاف دیگران، ما در این مقاله بر روی استفاده از روش های یادگیری عمیق در این زمینه تمرکز می کنیم. ابتدا، معرفی تومور مغزی و روش هایی برای قطعه بندی تومور مغزی ارائه می شود. سپس، الگوریتم های جدید با تمرکز بر روی روش های یادگیری عمیق مورد بحث قرار می گیرند. در نهایت، یک ارزیابی از وضعیت فعلی ارائه شده و توسعه هایی برای آینده بیان می شوند که باید در جهت استانداردسازی روش های قطعه بندی تومور مغزی مبتنی بر MRI در روتین های روزانه ی پزشکی در نظر گرفته شوند.

بررسی؛ پردازش تصویر؛ یادگیری عمیق؛ قطعه بندی تومور مغزی؛ شبکه های عصبی کانولوشنی؛ MRI