12814

مروري بر رويكردهاي يادگيري عميق براي تشخيص و قطعه بندي تصلب پراكنده در تصاوير مغزي

1401

دكتر محسن سرياني

تصلب پراكنده (ام اس) يك بيماري عصبي مزمن است كه سيستم عصبي مركزي را تحت تاثير قرار مي دهد و باعث ايجاد علائم و اختلالات مختلف ناتوان كننده مي‌شود. ضايعات ام اس به صورت نواحي غيرطبيعي در مغز يا نخاع ظاهر مي شوند كه نشان دهنده وجود التهاب و آسيب ديدگي پوشش محافظ سلول‌هاي عصبي است. تشخيص زودهنگام و دقيق ضايعات ام‌اس براي مداخله به موقع و برنامه‌ريزي درماني مؤثر بسيار مهم است. براي اين كار نياز به شناسايي و رده بندي دقيق ويژگي‌هاي ضايعات ام اس در داده‌هاي تصويربرداري پزشكي، مانند تصاوير تشديد مغناطيسي است. تفسير دستي تصاوير پزشكي توسط پزشكان مي‌تواند زمان‌بر، وابسته به طرز تفكر و مستعد تنوع بين مشاهده‌گر باشد. استفاده از روش‌هاي يادگيري عميق در تجزيه و تحليل ضايعات تصلب پراكنده به عنوان يك رويكرد اميدواركننده براي غلبه بر اين چالش‌ها ظاهر شده است. در اين گزارش مقالات و روش‌هاي مبتني بر الگوريتم‌هاي هوش مصنوعي و به خصوص شبكه هاي عصبي عميق را براي انجام وظيفه‌هاي تشخيص و قطعه بندي ضايعات در تصاوير مغز بررسي مي‌كنيم و برنامه‌هاي فعلي و آينده را مورد بحث قرار مي‌دهيم. از مهم‌ترين چالش‌هاي اين زمينه مي‌توان به كمبود داده‌هاي برچسب خورده اشاره كرد كه اكثر مقالات اين حوزه را دچار مشكل مي‌كند. نتايج مطالعه نشان مي‌دهد معماري U-Net از اهميت بالايي در قطعه‌بندي ضايعات ام اس برخوردار است. همچنين افزودن دروازه توجه باعث بالا بردن دقت در قطعه‌بندي مي‌شود.

11/15/2023 12:00:00 AM

81148

1402/09/08

A review of deep learning approaches for the detection and segmentation of multiple sclerosis in brain images

تصلب پراكنده , ضايعات ام اس , تصاوير تشديد مغناطيسي , روش‌هاي يادگيري عميق , تشخيص , قطعه بندي

multiple sclerosis , MS lesions , magnetic resonance images , deep learning methods , detection , segmentation