قطعه‌بندی تومورهای مغزی در تصاویر MRI به دلیل تنوع شکل، اندازه و موقعیت تومور، همواره با دشواری‌هایی همراه بوده است و از آنجا که قطعه‌بندی دستی نه‌تنها زمان‌بر است بلکه به مهارت رادیولوژیست وابسته بوده و احتمال خطای انسانی در آن وجود دارد، با ظهور شبکه‌های عصبی کانولوشنی (CNN) رویکردهای جدیدی برای قطعه‌بندی خودکار توسعه یافته‌اند که قادرند ویژگی‌های پیچیده تصویر را بدون نیاز به استخراج دستی یاد بگیرند؛ این مقاله مروری با بررسی سه دسته از معماری‌های CNN شامل شبکه‌های دوبعدی، سه‌بعدی و آبشاری در قطعه‌بندی تومور مغزی و مقایسه نتایج این روش‌ها بر روی مجموعه داده BRATS نشان می‌دهد که معماری‌های عمیق با فیلترهای ۳×۳ بالاترین دقت را با ضریب دایس ۸۸٪ برای تومور کامل، ۸۳٪ برای هسته تومور و ۷۷٪ برای ناحیه فعال به دست می‌آورند که با دقت ارزیاب انسانی قابل مقایسه است و نشان‌دهنده پتانسیل بالای این روش‌ها برای کاربرد بالینی می‌باشد.

واژه‌هاي كليدي: قطعه‌ بندی تومور مغزی یادگیری عمیق شبکه‌های عصبی کانولوشنی MRI BRATS پردازش تصویر پزشکی