چکیده
قطعه بندی تومور مغزی یکی از کارهای مهم در زمینه ی پردازش تصویر پزشکی است. تشخیص زودهنگام تومورهای مغزی دراحتمال بهبود با درمان و افزایش نرخ زنده ماندن بیماران نقش مهمی ایفا می کند. قطع بندی تومورهای مغزی برای تشخیص سرطان به صورت دستی (توسط انسان)، از میان تعداد زیادی از تصاویر MRI تولید شده در روتین های پزشکی کاری دشوار و وقتگیر است. یک نیاز اساسی برای قطعه بندی تصویر تومور مغزی به صورت خودکار وجود دارد. هدف از این مقاله، ارائه ی یک بررسی بر روی روش های قطعه بندی تصویر تومور مغزی مبتنی بر MRI است. به تازگی، استفاده از روشهای یادگیری عمیق برای قطعه بندی خودکار محبوبیت پیدا کرده اند، چرا که این روش ها به نتایج پیشرفته و جدیدی دست می یابند و می توانند بهتر از روش های دیگر به این مسئله رسیدگی کنند. روش های یادگیری عمیق همچنین می توانند پردازش کارآمد را فعال کنند و ارزیابی قابل مشاهده و هدفمندی از حجم عظیمی از داده های تصویری مبتنی بر MRI را ممکن سازند. تعدادی از مقالات بررسی (review) وجود دارند که بر روش های قدیمی(سنتی) برای قطعه بندی تصویر تومور مغزی مبتنی بر MRI تمرکز کرده اند. ولی برخلاف دیگران، ما در این مقاله بر روی روند اخیر روش های یادگیری عمیق در این زمینه تمرکز می کنیم. ابتدا، معرفی تومورهای مغزی و روش هایی برای قطعه بندی تومور مغزی داده می شوند. سپس، الگوریتم های جدید با تمرکز بر روی روند اخیر روش های یادگیری عمیق مورد بررسی قرار می گیرند. در نهایت، یک ارزیابی از وضعیت فعلی ارائه شده و پیشرفتهای آینده جهت استانداردسازی روش های قطعه بندی تومور مغزی مبتنی بر MRI در روتین های روزانه ی پزشکی در نظر گرفته شوند.