مرور سیستماتیک روش های بخش بندی تومور در تصاویر MRI با استفاده از شبکه عصبی کانولوشنی

مقدمه: تومورهای مغزی ناشی از تکثیر غیرطبیعی سلول ها هستند و با تاثیر بر ساختار و عملکرد مغز می توانند به اختلالات عصبی منجر شوند؛ ازاین رو، تشخیص دقیق و به موقع آن ها نقش بسزایی در کاهش خطرات بالینی برای بیماران دارد. تصویربرداری تشدید مغناطیسی به عنوان یک روش غیرتهاجمی و با دقت بالا، کاربرد گسترده ای در شناسایی نواحی توموری در فرایند تشخیص و برنامه ریزی درمان دارد. مواد و روش­ها: این مطالعه یک مرور سیستماتیک کیفی بر اساس دستورالعمل PRISMA است که با جستجوی جامع در پایگاه های علمی Web of Science، Google Scholar، Springer، Scopus، IEEE Xplore و Elsevier انجام شد. مطالعات مرتبط با شبکه های عصبی کانولوشنی (CNN) برای بخش بندی تومور مغزی در تصاویر (MRI) Magnetic Resonance Imaging، با تمرکز بر معماری های پیشرفته شامل U-Net، nnU-Net، V-Net، DeepMedic و DeepLabV۳+، بر اساس معیارهای ورود و خروج مشخص انتخاب و تحلیل کیفی و مقایسه ای گردیدند. یافته­ های پژوهش: نتایج مقالات بررسی شده نشان داد، مدل DeepLabV۳+ بالاترین دقت را با میانگین امتیاز دایس ۹۱۷/۰ دارد و سایر مدل های U-Net، nnU-Net، V-Net و DeepMedic  به ترتیب با میانگین امتیاز دایس ۸۲۷/۰، ۷۹۳/۰، ۸۱۹/۰ و ۷۵۲/۰ هستند. همه این مدل ها در شرایط مختلف داده ای مانند تصاویر دوبعدی، سه بعدی و داده های نامتوازن، عملکردی بهتر از روش های دستی یا سنتی داشتند. بااین حال، عملکرد گزارش شده برای هر مدل تحت تاثیر عوامل متعددی ازجمله کیفیت و حجم داده های آموزشی، راهبرد های افزایش داده، تابع زیان استفاده شده و مراحل پس پردازش است. بحث و نتیجه گیری: این مطالعه نشان می دهد، روش های نوین تحلیل تصویر با استخراج خودکار ویژگی های تشخیصی، دقت دستگاه های کمک تشخیصی در تصویربرداری مغزی را به طور چشمگیری ارتقا می دهند. بااین حال، عملکرد مدل ها حاصل ترکیب معماری اصلی و فن های مکمل است و ارزیابی آن ها باید در چارچوب کلی پایپلاین (از پیش پردازش تا پس پردازش) تحلیل انجام شود. توسعه مدل هایی با قابلیت تعمیم پذیری بالا در شرایط داده ای متنوع مسیر اصلی پیشرفت در این حوزه است. با توجه به زمان بر و پیچیده بودن تفسیر دستی تصاویر MRI، دستگاه های مبتنی بر یادگیری عمیق می توانند به کاهش خطاهای انسانی و تسهیل تصمیم گیری بالینی کمک کنند؛ درنتیجه، بهینه سازی و توسعه این مدل ها گامی مهم برای بهبود تشخیص و مدیریت بیماران مبتلا به تومور مغزی محسوب می شود.

کلیدواژه ها:

Brain tumor segmentation ، Convolutional neural network ، Magnetic resonance imaging ، Deep learning ، بخش بندی تومور مغزی ، شبکه عصبی کانولوشنی ، تصویربرداری تشدید مغناطیسی ، یادگیری عمیق