بررسی و مقایسه روش های گوناگون بخش بندی تومور مغزی

بخش بندی تومور مغزی یک فرآیند اساسی در تصویربرداری پزشکی است که پشتیبانی ضروری برای تشخیص، برنامه ریزی درمان و پیش آگاهی تومورهای مغزی را فراهم می کند. این مطالعه، تکامل و کاربرد روش های مختلف را در تقسیم بندی تومور مغزی از سال ۲۰۱۴ تا ۲۰۲۴ بررسی می کند. در ابتدا، روش های اولیه و کاربرد آن ها در پردازش تصویر مورد بررسی قرار گرفت. روش های سنتی تقسیم بندی تومور مغزی همچون آستانه گذاری و رشد منطقه، معمولا به دقت محدودی دست می یابند. با ظهور روش های پیشرفته تر نظیر یادگیری عمیق (DL) و یادگیری ماشینی، امکان افزایش دقت تقسیم بندی فراهم شده است. در این مقاله، از روش های ترکیبی یادگیری عمیق به ویژه شبکه های عصبی کانولوشن (CNN) برای تقسیم بندی تصاویر MRI از تومورهای مغزی استفاده شده است. این روش ها قابلیت یادگیری ویژگی های پیچیده و استخراج خودکار بردارهای ویژگی را دارند که موجب بهبود عملکرد و دقت تقسیم بندی می شود. نتایج به دست آمده از آزمایشات انجام شده، نشان دهنده دقت بالای مدل های پیشنهادی در تقسیم بندی تومور مغزی است که می تواند به عنوان یک راهکار موثر در تشخیص پزشکی به کار رود.

کلیدواژه ها:

تومور مغزی