Journal of Ilam University of Medical Sciences

fa مرور سیستماتیک روش‌های بخش‌بندی تومور در تصاویر MRI با استفاده از شبکۀ عصبی کانولوشنی A Systematic Review of Convolutional Neural Network for Brain Tumor Segmentation in MRI جراحی مغز اعصاب Surgical nursing پژوهشي Research <div style="text-align: justify;">مقدمه: تومورهای مغزی ناشی از تکثیر غیرطبیعی سلول‌ها هستند و با تأثیر بر ساختار و عملکرد مغز می‌توانند به اختلالات عصبی منجر شوند؛ ازاین‌رو، تشخیص دقیق و به‌موقع آن‌ها نقش بسزایی در کاهش خطرات بالینی برای بیماران دارد. تصویربرداری تشدید مغناطیسی به‌عنوان یک روش غیرتهاجمی و با دقت بالا، کاربرد گسترده‌ای در شناسایی نواحی توموری در فرایند تشخیص و برنامه‌ریزی درمان دارد. مواد و روشها: این مطالعه یک مرور سیستماتیک کیفی بر اساس دستورالعمل PRISMA است که با جستجوی جامع در پایگاه‌های علمی Web of Science، Google Scholar، Springer، Scopus، IEEE Xplore و Elsevier انجام شد. مطالعات مرتبط با شبکه‌های عصبی کانولوشنی (CNN) برای بخش‌بندی تومور مغزی در تصاویر (MRI) Magnetic Resonance Imaging، با تمرکز بر معماری‌های پیشرفته شامل U-Net، nnU-Net، V-Net، DeepMedic و DeepLabV3+، بر اساس معیارهای ورود و خروج مشخص انتخاب و تحلیل کیفی و مقایسه‌ای گردیدند. یافته های پژوهش: نتایج مقالات بررسی‌شده نشان داد، مدل DeepLabV3+ بالاترین دقت را با میانگین امتیاز دایس 917/0 دارد و سایر مدل‌های U-Net، nnU-Net، V-Net و DeepMedic  به‌ترتیب با میانگین امتیاز دایس 827/0، 793/0، 819/0 و 752/0 هستند. همۀ این مدل‌ها در شرایط مختلف داده‌ای مانند تصاویر دوبعدی، سه‌بعدی و داده‌های نامتوازن، عملکردی بهتر از روش‌های دستی یا سنتی داشتند. بااین‌حال، عملکرد گزارش‌شده برای هر مدل تحت تأثیر عوامل متعددی ازجمله کیفیت و حجم داده‌های آموزشی، راهبرد‌های افزایش داده، تابع زیان استفاده‌شده و مراحل پس‌پردازش است. بحث و نتیجه‌گیری: این مطالعه نشان می‌دهد، روش‌های نوین تحلیل تصویر با استخراج خودکار ویژگی‌های تشخیصی، دقت دستگاه‌های کمک تشخیصی در تصویربرداری مغزی را به‌طور چشمگیری ارتقا می‌دهند. بااین‌حال، عملکرد مدل‌ها حاصل ترکیب معماری اصلی و فن‌های مکمل است و ارزیابی آن‌ها باید در چارچوب کلی پایپلاین (از پیش‌پردازش تا پس‌پردازش) تحلیل انجام شود. توسعۀ مدل‌هایی با قابلیت تعمیم‌پذیری بالا در شرایط داده‌ای متنوع مسیر اصلی پیشرفت در این حوزه است. با توجه به زمان‌بر و پیچیده بودن تفسیر دستی تصاویر MRI، دستگاه‌های مبتنی بر یادگیری عمیق می‌توانند به کاهش خطاهای انسانی و تسهیل تصمیم‌گیری بالینی کمک کنند؛ درنتیجه، بهینه‌سازی و توسعۀ این مدل‌ها گامی مهم برای بهبود تشخیص و مدیریت بیماران مبتلا به تومور مغزی محسوب می‌شود.</div> <div style="text-align: justify;">Introduction:  Brain tumors are caused by abnormal cell proliferation and can lead to neurological disorders by affecting the structure and function of the brain. Therefore, their accurate and timely diagnosis plays a significant role in reducing clinical risks for patients. Magnetic resonance imaging, as a non-invasive and highly accurate method, is widely used in identifying tumor areas in the diagnosis and treatment planning process. Materials & Methods: This study is a qualitative systematic review based on the PRISMA guideline, which was conducted by comprehensively searching the Web of Science, Google Scholar, Springer, Scopus, IEEE Xplore, and Elsevier scientific databases. Studies related to convolutional neural networks (CNN) for brain tumor segmentation in Magnetic Resonance Imaging (MRI) images, focusing on advanced architectures including U-Net, nnU-Net, V-Net, DeepMedic, and DeepLabV3+, were selected based on specific inclusion and exclusion criteria and subjected to qualitative and comparative analysis. Results: The results of the reviewed articles showed that the DeepLabV3+ model had the highest accuracy with an average Dice score of 0.917 and the other models U-Net, nnU-Net, V-Net, and DeepMedic had average Dice scores of 0.827, 0.793, 0.819, and 0.752, respectively. All of these models performed better than manual or traditional methods in different data conditions such as 2D, 3D, and unbalanced data. However, the reported performance for each model is affected by several factors, including the quality and volume of training data, data augmentation strategies, the loss function used, and post-processing steps. Conclusion: This study shows that novel image analysis methods significantly improve the accuracy of diagnostic assistance systems in brain imaging by automatically extracting diagnostic features. However, the performance of the models is the result of a combination of the main architecture and complementary techniques, and their evaluation should be performed within the overall framework of the analysis pipeline (from preprocessing to post-processing). Developing models with high generalizability in diverse data conditions is the main path of progress in this field. Given the time-consuming and complex nature of manual interpretation of MRI images, deep learning-based systems can help reduce human errors and facilitate clinical decision-making. Consequently, optimization and development of these models is an important step towards improving the diagnosis and management of patients with brain tumors.</div> بخش‌بندی تومور مغزی, شبکۀ عصبی کانولوشنی, تصویربرداری تشدید مغناطیسی, یادگیری عمیق Brain tumor segmentation, Convolutional neural network, Magnetic resonance imaging, Deep learning 53 80 http://sjimu.medilam.ac.ir/browse.php?a_code=A-10-8116-2&slc_lang=fa&sid=1 Hajar Danesh هاجر دانش hajardanesh@yahoo.com 9600319475328460050136 9600319475328460050136 Yes Dept of Electrical and Biomedical Engineering, Faculty of Engineering and ‎Technology, Shahid Ashrafi Esfahani University, Isfahan, Iran گروه برق و مهندسی پزشکی، دانشکده فنی و مهندسی، دانشگاه شهید اشرفی اصفهانی، اصفهان، ایران Zahra Ghasemi زهرا قاسمی z@yahoo.com 9600319475328460050137 0009-0005-8070-4650 No Dept of Electrical and Biomedical Engineering, Faculty of Engineering and ‎Technology, Shahid Ashrafi Esfahani University, Isfahan, Iran گروه برق و مهندسی پزشکی، دانشکده فنی و مهندسی، دانشگاه شهید اشرفی اصفهانی، اصفهان، ایران