تشخیص تومور مغزی گلیوما با استفاده از تصاویر تصویربرداری تشدید مغناطیسی با روش‌های یادگیری عمیق: یک مرور سیستماتیک

مقدمه: گلیوما یکی از شایع‌ترین تومورهای مغزی است که تشخیص به موقع و دقیق آن منجر به درمان صحیح و افزایش عمر بیمار می‌شود. در این مطالعه به بررسی و تحلیل پژوهش‌های انجام شده در زمینه تشخیص گلیوما با استفاده از تصاویر تصویربرداری تشدید مغناطیسی با روش های یادگیری عمیق پرداخته شد.روش: این مطالعه مروری نظامند است که در آن پایگاه‌های اطلاعاتی pubmed، sciencedirect، springer، ieee،arxiv در بازه زمانی سال‌های 2010 تا 2020 به منظور بازیابی مطالعات انگلیسی زبان با استفاده از کلمات کلیدی مورد جستجو قرار گرفتند. سپس مقاله ها بر اساس معیارهای ورود و خروج و در راستای هدف پژوهش، انتخاب و اطلاعات مورد نیاز جهت بررسی استخراج گردید.نتایج: در نهایت 35 مقاله پژوهشی اصیل انتخاب گردید. بررسی مقاله‌ها نشان داد که از یک خط مشی واحد شامل جمع‌آوری تصاویر، پیش پردازش، طراحی و پیاده‌سازی مدل و ارزیابی نتایج مدل، جهت آشکارسازی، دسته‌بندی و بخش‌بندی تومور مغزی گلیوما استفاده کرده اند. اکثر مطالعه‌ها از مجموعه تصاویر عمومی و مدل‌های از پیش آموزش دیده استفاده کرده‌ اند. در اغلب پژوهش‌ها معیار ضریب تشابه دایس در بخش‌بندی و معیار صحت در دسته‌بندی به عنوان معیار‌های ارزیابی کننده مدل استفاده شده‌اند.نتیجه‌گیری: یافته‌های این مطالعه نشان می‌دهد که در اکثر مقاله‌ها بخش‌بندی گلیوما نسبت به آشکارسازی و دسته‌بندی بیشتر مورد توجه پژوهشگران بوده است؛ بنابراین پیشنهاد می‌گردد مطالعات بیشتری در زمینه آشکارسازی و به خصوص درجه‌بندی گلیوما به منظور تعبیه در سیستم های کمک تشخیص پزشکی‌، انجام شود.

Glioma Brain Tumor Identification Using Magnetic Resonance Imaging with Deep Learning Methods: A Systematic Review

Introduction: Glioma is one of the most common brain tumors, the early and accurate diagnosis of which leads to proper treatment and prolongs the patient rsquo;s life. The studies conducted on glioma diagnosis using magnetic resonance imaging images with deep learning methods were reviewed and analyzed in this study.Method: This study was a systematic review in which PubMed, ScienceDirect, Springer, IEEE, and Arxiv databases were searched between 2010 and 2020 in order to retrieve English language studies using keywords. Then, the articles were selected based on the inclusion and exclusion criteria and in line with the purpose of the research and the required information was extracted for review.Results: Finally, 35 original research articles were selected. The review of the articles showed that they used a pipeline including collecting images, preprocessing, designing and implementing a model, and evaluating the results of the model for tumor detection, classification, and segmentation. The majority of the articles used public images and pretrained models. In most articles, Dice similarity coefficient and accuracy criteria were used in segmentation and classification, respectively, as model evaluation criteria.Conclusion: The results of this study revealed that in most articles, segmentation received more attention in comparison with detection and classification. Therefore, it is suggested that more studies be carried out on detection and especially grading glioma for being utilized in medical diagnostic assistance systems.