Dr. Mohammad Doostizadeh دکتر محمد دوستی زاده Journal of New Achievements in Electrical,Computer and Technology نشریه علمی-تخصصی دستاوردهای نوین در برق،کامپیوتر و فناوری 5 16 2025 09 30 Deep Learning Approaches for Epilepsy Detection in MRI Images بررسی روش های یادگیری عمیق جهت تشخیص صرع در تصاویر MRI 56 71 FA hajar danesh 1Department of Electrical and Biomedical Engineering, Faculty of Engineering and Technology, Shahid Ashrafi Esfahani University, Isfahan, Iran, هاجر دانش گروه برق و مهندسی پزشکی، دانشکده فنی مهندسی، دانشگاه شهید اشرفی اصفهانی، اصفهان، ایران negin shafizade 1Department of Electrical and Biomedical Engineering, Faculty of Engineering and Technology, Shahid Ashrafi Esfahani University, Isfahan, Iran, نگین شفیع زاده گروه برق و مهندسی پزشکی، دانشکده فنی مهندسی، دانشگاه شهید اشرفی اصفهانی، اصفهان، ایران Farhad khosravi 1Department of Electrical and Biomedical Engineering, Faculty of Engineering and Technology, Shahid Ashrafi Esfahani University, Isfahan, Iran, فرهاد خسروی گروه برق و مهندسی پزشکی، دانشکده فنی مهندسی، دانشگاه شهید اشرفی اصفهانی، اصفهان، ایران shekufe yaraghi Department of Computer, Faculty of Engineering, Shahid Ashrafi Esfahani University, Isfahan, Iran شکوفه یراقی گروه کامپیوتر، دانشکده فنی مهندسی، دانشگاه شهید اشرفی اصفهانی، اصفهان، ایران 2025 09 13 Epilepsy is one of the most prevalent neurological disorders, and timely diagnosis is essential to prevent long-term neurological complications. Magnetic Resonance Imaging (MRI), owing to its high anatomical resolution and non-invasive nature, is recognized as the gold standard for identifying brain lesions associated with epilepsy. However, manual interpretation of MRI scans by specialists is time-consuming, experience-dependent, and prone to human error. Recent advances in deep learning, particularly convolutional neural networks (CNNs), have enabled automated processing and precise identification of complex patterns in MRI data. This review evaluates and compares the performance of various deep learning architectures including Fc-Net, 3D-CNN, DAG-CNN, U-Net, and m-CNN—in automated epilepsy detection from MRI scans. Findings indicate that these models demonstrate considerable efficacy, with 3D-CNN achieving the highest reported accuracy (up to 96.09%) by leveraging volumetric data analysis. Other architectures, including Fc-Net (86.72%), DAG-CNN (85%), m-CNN (87.7%), and DNN (79.26%), also show promising results. Despite their high potential, key challenges remain, including model opacity ("black-box" nature), dataset heterogeneity, and dependence on high-performance computational hardware. Future research must prioritize the development of interpretable and robust models to facilitate clinical adoption. صرع از شایع‌ترین اختلالات نورولوژیک است که تشخیص زودهنگام آن برای جلوگیری از آسیب‌های عصبی ضروری است. تصویربرداری MRI به‌دلیل وضوح بالا و غیرتهاجمی بودن، ابزار استاندارد در شناسایی ضایعات مغزی مرتبط با صرع محسوب می‌شود، اما تفسیر دستی آن زمان‌بر و مستعد خطاست. در سال‌های اخیر، شبکه‌های عصبی کانولوشنی (CNN) امکان تحلیل خودکار تصاویر MRI و شناسایی الگوهای پیچیده را فراهم کرده‌اند. این مطالعه مروری به بررسی عملکرد مدل‌های Fc-Net، 3D-CNN، DAG-CNN، U-Net و m-CNN در تشخیص صرع پرداخته است. نتایج نشان می‌دهند که مدل‌های سه‌بعدی با تحلیل حجمی داده‌ها، بالاترین دقت را داشته‌اند در برخی موارد تا بیش از ۹۶% دقت تشخیصی حاصل شده است . با وجود این پیشرفت‌ها، چالش‌هایی مانند ناهمگونی داده‌ها، عدم شفافیت مدل‌ها و نیاز به سخت‌افزار قدرتمند همچنان مطرح است و نیازمند تحقیقات بیشتر می‌باشد. https://jnaect.ir/downloadfilepdf/2199911