بررسی روش های یادگیری عمیق جهت تشخیص صرع در تصاویر MRI

صرع از شایع ترین اختلالات نورولوژیک است که تشخیص زودهنگام آن برای جلوگیری از آسیب های عصبی ضروری است. تصویربرداری MRI به دلیل وضوح بالا و غیرتهاجمی بودن، ابزار استاندارد در شناسایی ضایعات مغزی مرتبط با صرع محسوب می شود، اما تفسیر دستی آن زمان بر و مستعد خطاست. در سال های اخیر، شبکه های عصبی کانولوشنی (CNN) امکان تحلیل خودکار تصاویر MRI و شناسایی الگوهای پیچیده را فراهم کرده اند. این مطالعه مروری به بررسی عملکرد مدل های Fc-Net، ۳D-CNN، DAG-CNN، U-Net، DNN و m-CNN در تشخیص صرع پرداخته است. نتایج نشان می دهند که مدل های CNN بالاترین دقت را داشته اند در برخی موارد تا بیش از ۹۶% دقت تشخیصی حاصل شده است . با وجود این پیشرفت ها، چالش هایی مانند ناهمگونی داده ها، عدم شفافیت مدل ها و نیاز به سخت افزار قدرتمند همچنان مطرح است و نیازمند تحقیقات بیشتر می باشد.

کلیدواژه ها:

صرع ، یادگیری عمیق ، شبکه عصبی کانولوشنی ، MRI ، تشخیص خودکار