کاربرد شبکه های عصبی کانولوشنی در قطعه بندی تومورهای مغزی در تصاویر MRI

قطعه بندی تومورهای مغزی در تصاویر MRI به دلیل تنوع شکل، اندازه و موقعیت تومور، همواره با دشواری هایی همراه بوده است و از آنجا که قطعه بندی دستی نه تنها زمان بر است بلکه به مهارت رادیولوژیست وابسته بوده و احتمال خطای انسانی در آن وجود دارد، با ظهور شبکه های عصبی کانولوشنی (CNN) رویکردهای جدیدی برای قطعه بندی خودکار توسعه یافته اند که قادرند ویژگی های پیچیده تصویر را بدون نیاز به استخراج دستی یاد بگیرند؛ این مقاله مروری با بررسی سه دسته از معماری های CNN شامل شبکه های دوبعدی، سه بعدی و آبشاری در قطعه بندی تومور مغزی و مقایسه نتایج این روش ها بر روی مجموعه داده BRATS نشان می دهد که معماری های عمیق با فیلترهای ۳×۳ بالاترین دقت را با ضریب دایس ۸۸٪ برای تومور کامل، ۸۳٪ برای هسته تومور و ۷۷٪ برای ناحیه فعال به دست می آورند که با دقت ارزیاب انسانی قابل مقایسه است و نشان دهنده پتانسیل بالای این روش ها برای کاربرد بالینی می باشد.

کلیدواژه ها:

قطعه بندی تومور مغزی ، یادگیری عمیق ، شبکه های عصبی کانولوشنی ، MRI ، BRATS ، پردازش تصویر پزشکی