دوره 8، شماره 2 - ( 6-1400 )
جلد 8 شماره 2 صفحات 233-218 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Khazaei Z, Langarizadeh M, Shiri Ahmad Abadi M E. Glioma Brain Tumor Identification Using Magnetic Resonance Imaging with Deep Learning Methods: A Systematic Review. jhbmi 2021; 8 (2) :218-233
URL: http://jhbmi.ir/article-1-565-fa.html
URL: http://jhbmi.ir/article-1-565-fa.html
خزائی زینب، لنگری زاده مصطفی، شیری احمدآبادی محمد ابراهیم. تشخیص تومور مغزی گلیوما با استفاده از تصاویر تصویربرداری تشدید مغناطیسی با روش‌های یادگیری عمیق: یک مرور سیستماتیک. مجله انفورماتیک سلامت و زیست پزشکی. 1400; 8 (2) :218-233
دکترای انفورماتیک پزشکی، دانشیار، گروه مدیریت اطلاعات بهداشتی و درمانی، دانشکده مدیریت و اطلاع‌رسانی پزشکی، دانشگاه علوم پزشکی ایران، تهران، ایران
چکیده: (2119 مشاهده)
مقدمه: گلیوما یکی از شایع‌ترین تومورهای مغزی است که تشخیص به موقع و دقیق آن منجر به درمان صحیح و افزایش عمر بیمار می‌شود. در این مطالعه به بررسی و تحلیل پژوهش‌های انجام شده در زمینه تشخیص گلیوما با استفاده از تصاویر تصویربرداری تشدید مغناطیسی با روش های یادگیری عمیق پرداخته شد.
روش: این مطالعه مروری نظامند است که در آن پایگاه‌های اطلاعاتی PubMed، ScienceDirect، Springer، IEEE،Arxiv در بازه زمانی سال‌های 2010 تا 2020 به منظور بازیابی مطالعات انگلیسی زبان با استفاده از کلمات کلیدی مورد جستجو قرار گرفتند. سپس مقاله ها بر اساس معیارهای ورود و خروج و در راستای هدف پژوهش، انتخاب و اطلاعات مورد نیاز جهت بررسی استخراج گردید.
نتایج: در نهایت 35 مقاله پژوهشی اصیل انتخاب گردید. بررسی مقاله‌ها نشان داد که از یک خط مشی واحد شامل جمع‌آوری تصاویر، پیش پردازش، طراحی و پیاده‌سازی مدل و ارزیابی نتایج مدل، جهت آشکارسازی، دسته‌بندی و بخش‌بندی تومور مغزی گلیوما استفاده کرده اند. اکثر مطالعه‌ها از مجموعه تصاویر عمومی و مدل‌های از پیش آموزش دیده استفاده کرده اند. در اغلب پژوهش‌ها معیار ضریب تشابه دایس در بخش‌بندی و معیار صحت در دسته‌بندی به عنوان معیارهای ارزیابی کننده مدل استفاده شده‌اند.
نتیجه‌گیری: یافته‌های این مطالعه نشان می‌دهد که در اکثر مقاله‌ها بخش‌بندی گلیوما نسبت به آشکارسازی و دسته‌بندی بیشتر مورد توجه پژوهشگران بوده است؛ بنابراین پیشنهاد می‌گردد مطالعات بیشتری در زمینه آشکارسازی و به خصوص درجه‌بندی گلیوما به منظور تعبیه در سیستم های کمک تشخیص پزشکی، انجام شود.
روش: این مطالعه مروری نظامند است که در آن پایگاه‌های اطلاعاتی PubMed، ScienceDirect، Springer، IEEE،Arxiv در بازه زمانی سال‌های 2010 تا 2020 به منظور بازیابی مطالعات انگلیسی زبان با استفاده از کلمات کلیدی مورد جستجو قرار گرفتند. سپس مقاله ها بر اساس معیارهای ورود و خروج و در راستای هدف پژوهش، انتخاب و اطلاعات مورد نیاز جهت بررسی استخراج گردید.
نتایج: در نهایت 35 مقاله پژوهشی اصیل انتخاب گردید. بررسی مقاله‌ها نشان داد که از یک خط مشی واحد شامل جمع‌آوری تصاویر، پیش پردازش، طراحی و پیاده‌سازی مدل و ارزیابی نتایج مدل، جهت آشکارسازی، دسته‌بندی و بخش‌بندی تومور مغزی گلیوما استفاده کرده اند. اکثر مطالعه‌ها از مجموعه تصاویر عمومی و مدل‌های از پیش آموزش دیده استفاده کرده اند. در اغلب پژوهش‌ها معیار ضریب تشابه دایس در بخش‌بندی و معیار صحت در دسته‌بندی به عنوان معیارهای ارزیابی کننده مدل استفاده شده‌اند.
نتیجه‌گیری: یافته‌های این مطالعه نشان می‌دهد که در اکثر مقاله‌ها بخش‌بندی گلیوما نسبت به آشکارسازی و دسته‌بندی بیشتر مورد توجه پژوهشگران بوده است؛ بنابراین پیشنهاد می‌گردد مطالعات بیشتری در زمینه آشکارسازی و به خصوص درجه‌بندی گلیوما به منظور تعبیه در سیستم های کمک تشخیص پزشکی، انجام شود.
نوع مطالعه: مقاله مروری سیستماتیک و متاآنالیز |
موضوع مقاله:
هوش مصنوعی در حوزه سلامت
دریافت: 1399/12/5 | پذیرش: 1400/1/14
دریافت: 1399/12/5 | پذیرش: 1400/1/14
فایل صوتی [MP3 1641 KB] (47 دریافت)
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
