مروری بر کاربرد یادگیری عمیق در تشخیص سکته مغزی از تصاویر MRI و CT

سکته مغزی یکی از علل اصلی مرگ ومیر و ناتوانی در سراسر جهان است و تشخیص سریع و دقیق آن نقش حیاتی در بهبود پیامدهای درمانی دارد. تصاویر پزشکی مانند MRI و CT ابزارهای اصلی در ارزیابی سکته ایسکمیک و هموراژیک محسوب می شوند، اما تفسیر آن ها نیازمند تخصص بالا و زمان کافی است. در سال های اخیر، یادگیری عمیق با بهره گیری از شبکه های عصبی کانولوشنی (CNN) و معماری های پیشرفته ای مانند U-Net، ResNet و Transformer توانسته عملکرد قابل توجهی در تشخیص، قطعه بندی و طبقه بندی ضایعات مغزی ارائه دهد. این روش ها با استخراج خودکار ویژگی های پیچیده از تصاویر، دقت تشخیص را افزایش داده و زمان تحلیل را کاهش می دهند. با وجود پیشرفت های چشمگیر، چالش هایی مانند کمبود داده های برچسب خورده، عدم توازن کلاس ها و قابلیت تعمیم مدل ها همچنان مطرح هستند. توسعه پایگاه های داده بزرگ تر و استفاده از یادگیری انتقالی و روش های چندوجهی می تواند به بهبود عملکرد سامانه های هوشمند در تشخیص سکته مغزی کمک کند.

کلیدواژه ها:

یادگیری عمیق ، سکته مغزی ، MRI ، CT ، شبکه های عصبی کانولوشنی ، قطعه بندی تصویر ، تشخیص پزشکی