دکتر محمد دوستی زاده نشریه علمی-تخصصی دستاوردهای نوین در برق،کامپیوتر و فناوری Application of convolutional neural networks in brain tumor segmentation in MRI images کاربرد شبکه‌های عصبی کانولوشنی در قطعه‌بندی تومورهای مغزی در تصاویر MRI 10.22051/jera.2021.31891.2698 FA هاجر گروه برق و مهندسی پزشکی، دانشکده فنی و مهندسی، دانشگاه شهید اشرفی اصفهانی، اصفهان، ایران عاطفه 2 انجمن علمی دانشجویی، گروه برق و مهندسی پزشکی ، دانشکده فنی و مهندسی، دانشگاه شهید اشرفی اصفهانی، اصفهان، ایران عرفان 2 انجمن علمی دانشجویی، گروه برق و مهندسی پزشکی ، دانشکده فنی و مهندسی، دانشگاه شهید اشرفی اصفهانی، اصفهان، ایران فرهاد گروه برق و مهندسی پزشکی، دانشکده فنی و مهندسی، دانشگاه شهید اشرفی اصفهانی، اصفهان، ایران Brain tumor segmentation in MRI images has always been challenging due to variations in tumor shape, size, and location. Since manual segmentation is not only time-consuming but also highly dependent on the radiologist's expertise and prone to human errors, the emergence of Convolutional Neural Networks (CNNs) has led to the development of new approaches for automatic segmentation that can learn complex image features without the need for manual extraction. This review paper examines three categories of CNN architectures, including two-dimensional, three-dimensional, and cascaded networks, for brain tumor segmentation and compares their results on the BRATS dataset. The findings demonstrate that deep architectures with 3×3 filters achieve the highest accuracy with Dice similarity coefficients of 88% for the whole tumor, 83% for the tumor core, and 77% for the active region, which is comparable to the performance of human raters and indicates the high potential of these methods for clinical application. 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. /downloadfilepdf/2192443