fa تشخیص تومور مغزی گلیوما با استفاده از تصاویر تصویربرداری تشدید مغناطیسی با روش‌های یادگیری عمیق: یک مرور سیستماتیک هوش مصنوعی در حوزه سلامت Artificial Intelligence in Healthcare مقاله مروری سیستماتیک و متاآنالیز Systematic Review & Meta analysis <div style="text-align: justify;"><span style="line-height:2;"><span style="font-family:Tahoma;"><span style="color:#000000;"><strong>مقدمه:</strong> 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.<br> <strong>روش:</strong> این مطالعه مروری نظامند است که در آن پایگاه‌های اطلاعاتی <span dir="LTR"><span style="font-size:11.0pt;">PubMed</span></span>، <span dir="LTR"><span style="font-size:11.0pt;">ScienceDirect</span></span>، <span dir="LTR"><span style="font-size:11.0pt;">Springer</span></span>، <span dir="LTR"><span style="font-size:11.0pt;">IEEE</span></span>،<span dir="LTR"><span style="font-size:11.0pt;">Arxiv</span></span> 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.<span style="font-family:B Mitra;"></span><br> <strong>نتایج</strong><strong>:</strong> 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&nbsp; 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.<span dir="LTR"></span><br> <strong>نتیجه‌گیری:</strong> 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.</span></span></span><span dir="LTR"></span></div> <div style="text-align: justify;"><span style="line-height:2;"><span style="color:#000000;"><span style="font-family:Tahoma;"><strong>Introduction:</strong> Glioma is one of the most common brain tumors, the early and accurate diagnosis of which leads to proper treatment and prolongs the patient&rsquo;s life. The studies conducted on glioma diagnosis using magnetic resonance imaging images with deep learning methods were reviewed and analyzed in this study.<br> <strong>Method:</strong> This study was a systematic review in which PubMed, ScienceDirect, Springer, IEEE, and Arxiv databases were searched between 2010 and 2020 in order to retrieve English language studies using keywords. Then, the articles were selected based on the inclusion and exclusion criteria and in line with the purpose of the research and the required information was extracted for review.<br> <strong>Results:</strong> Finally, 35 original research articles were selected. The review of the articles showed that they used a pipeline including collecting images, preprocessing, designing and implementing a model, and evaluating the results of the model for tumor detection, classification, and segmentation. The majority of the articles used public images and pre-trained models. In most articles, Dice similarity coefficient and accuracy criteria were used in segmentation and classification, respectively, as model evaluation criteria.<br> <strong>Conclusion</strong>: The results of this study revealed that in most articles, segmentation received more attention in comparison with detection and classification. Therefore, it is suggested that more studies be carried out on detection and especially grading glioma for being utilized in medical diagnostic assistance systems.</span></span></span></div> یادگیری عمیق, تومور مغزی گلیوما, تصویربرداری تشدید مغناطیسی Deep Learning, Glioma Brain Tumor, Magnetic Resonance Imaging 218 233 http://jhbmi.ir/browse.php?a_code=A-10-59-3&slc_lang=fa&sid=1 Zeinab Khazaei زینب خزائی ze83kh@yahoo.com 10031947532846009792 10031947532846009792 No Ph.D. Candidate in Information Technology Management, Department of Information Technology Management, Faculty of Management and Economics, Science and Research Branch, Islamic Azad University, Tehran, Iran دانشجوی دکتری مدیریت فناوری اطلاعات، گروه مدیریت فناوری اطلاعات، دانشکده مدیریت و اقتصاد، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران Mostafa Langarizadeh مصطفی لنگری زاده langarizadeh.m@iums.ac.ir 10031947532846009793 10031947532846009793 Yes Ph.D. in Medical Informatics, Associate Professor, Department of Health Information Management, School of Health Management and Information Sciences ,Iran University of Medical Sciences, Tehran, Iran دکترای انفورماتیک پزشکی، دانشیار، گروه مدیریت اطلاعات بهداشتی و درمانی، دانشکده مدیریت و اطلاع‌رسانی پزشکی، دانشگاه علوم پزشکی ایران، تهران، ایران Mohammad Ebrahim Shiri Ahmad Abadi محمد ابراهیم شیری احمدآبادی shiri@aut.ac.ir 10031947532846009794 10031947532846009794 No Ph.D. in Artificial Intelligence, Assistant Professor, Department of Computer Science, Faculty of Mathematics and Computer Science, Amirkabir University of Technology, Tehran, Iran دکترای هوش مصنوعی، استادیار، گروه علوم کامپیوتر، دانشکده ریاضی و علوم کامپیوتر، دانشگاه صنعتی امیرکبیر، تهران، ایران