تشخيص تومور مغزي گليوما با استفاده از تصاوير تصويربرداري تشديد مغناطيسي با روش هاي يادگيري عميق: يك مرور سيستماتيك

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

گليوما يكي از شايع ترين تومورهاي مغزي است كه تشخيص به موقع و دقيق آن منجر به درمان صحيح و افزايش عمر بيمار مي شود. در اين مطالعه به بررسي و تحليل پژوهش هاي انجام شده در زمينه تشخيص گليوما با استفاده از تصاوير تصويربرداري تشديد مغناطيسي با روش هاي يادگيري عميق پرداخته شد. روش اين مطالعه مروري نظامند است كه در آن پايگاه هاي اطلاعاتي PubMed، ScienceDirect، Springer، IEEE،Arxiv در بازه زماني سال هاي 2010 تا 2020 به منظور بازيابي مطالعات انگليسي زبان با استفاده از كلمات كليدي مورد جستجو قرار گرفتند. سپس مقاله ها بر اساس معيارهاي ورود و خروج و در راستاي هدف پژوهش، انتخاب و اطلاعات مورد نياز جهت بررسي استخراج گرديد. نتايج در نهايت 35 مقاله پژوهشي اصيل انتخاب گرديد. بررسي مقاله ها نشان داد كه از يك خط مشي واحد شامل جمع آوري تصاوير، پيش پردازش، طراحي و پياده سازي مدل و ارزيابي نتايج مدل، جهت آشكارسازي، دسته بندي و بخش بندي تومور مغزي گليوما استفاده كرده اند. اكثر مطالعه ها از مجموعه تصاوير عمومي و مدل هاي از پيش آموزش ديده استفاده كرده اند. در اغلب پژوهش ها معيار ضريب تشابه دايس در بخش بندي و معيار صحت در دسته بندي به عنوان معيار هاي ارزيابي كننده مدل استفاده شده اند. نتيجه گيري: يافته هاي اين مطالعه نشان مي دهد كه در اكثر مقاله ها بخش بندي گليوما نسبت به آشكارسازي و دسته بندي بيشتر مورد توجه پژوهشگران بوده است؛ بنابراين پيشنهاد مي گردد مطالعات بيشتري در زمينه آشكارسازي و به خصوص درجه بندي گليوما به منظور تعبيه در سيستم هاي كمك تشخيص پزشكي ، انجام شود.

Glioma is one of the most common brain tumors, the early and accurate diagnosis of which leads to proper treatment and prolongs the patient’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 pre-trained 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.