مروری بر الگوریتمهای داده کاوی و یادگیری عمیق در تشخیص، طبقه بندی و بخش بندی تومور مغزی از تصاویر MRI

تومور مغزی یکی از بیماری های شایع در حوزه مغز و اعصاب است. بسته به نوع و محل تومور درمان های مختلفی برای کنترل آن در نظر گرفته می شود. تشخیص دقیق، طبقه بندی صحیح و تعیین مرز آنها در تصاویر پزشکی نقش مهمی در روند درمان و تصمیم گیری بالینی دارد. تصاویر MRI به دلیل قابلیت بالا در نمایش بافت مغزی از ابزارهای مهم تشخیص تومورهای مغزی هستند. به دلیل پیچیدگی بافت مغز، تعیین دقیق نوع تومور و مرز جداسازی آن از بافت سالم در برخی نمونه ها با درک بصری انسان ممکن نیست. از این رو استفاده از داده کاوی، یادگیری ماشین و الگوریتم های یادگیری عمیق به عنوان ابزارهای پشتیبان تصمیم گیری در تحلیل تصاویر MRI اهمیت یافته است. این الگوریتم ها قادرند الگوهای پنهان را کشف کرده و امکان جداسازی دقیق تر نواحی مشکوک از بافت سالم را فراهم کنند. هدف اصلی این مقاله مرور و مقایسه سیر تکامل الگوریتم های تحلیل تصاویر مغزی در تشخیص، طبقه بندی و بخش بندی تومور مغزی از روش های سنتی مانند SVM و KNN تا شبکه های عصبی پیچشی (CNN) و معماری های Net. است. در این مقاله مروری، روایی الگوریتم های ذکر شده از نظر نوع کاربرد، مزایا، محدودیت ها و معیارهای ارزیابی مورد بررسی قرار می گیرند. نتایج مرور نشان می دهد که روش های سنتی در داده های محدود و مسائل طبقه بندی ساده قابل استفاده اند، اما وابستگی آنها به استخراج ویژگی دستی و حساسیت به نویز، عملکردشان را محدود می کند. در مقابل روش های یادگیری عمیق با یادگیری خودکار ویژگی ها، به ویژه در بخش بندی دقیق نواحی توموری، توانایی بیشتری دارند. تفاوت در پروتکل های تصویربرداری، ضعف در تعمیم پذیری، کمبود داده های برچسب خورده و حفظ حریم خصوصی بیماران همچنان از چالش های اصلی این حوزه به شمار می آید.

کلیدواژه ها:

تومور مغزی ، تصاویر MRI ، داده کاوی ، یادگیری عمیق ، طبقه بندی تومور ، بخش بندی تومور