) U-Net) مراجعة لنماذج التعليم العميق لتقسيم اورام الدماغ بالاستناد على

الملخص

     يتطلب علاج أورام الدماغ بشكل فعّال دقة عالية في عمليتي التقسيم (Segmentation) والتصنيف للورم. وتنقسم تقنيات تقسيم أورام الدماغ إلى ثلاث فئات: يدوية، شبه آلية، وآلية بالكامل. في السنوات الأخيرة، اعتمدت العديد من الدراسات على تقنيات التعلم العميق (DL) لأتمتة هذه العمليات، مستندة بشكل أساسي إلى نموذج U-Net الذي أثبت كفاءة عالية في التعامل مع البيانات متعددة الأنماط. يستعرض هذا البحث الأدبيات المتعلقة باستخدام تقنيات  الذكاء الاصطناعي نماذج U-Net في تقسيم أورام الدماغ، موضحًا الخطوات العامة لتدريب نموذج جديد وتشمل: جمع البيانات، المعالجة المسبقة، اختيار أو تصميم بنية النموذج، استخدام التعلم الانتقالي (Transfer Learning) وتحسين الصور (اختياريًا). تشير نتائج الدراسات إلى وجود علاقة طردية بين دقة النموذج وتعقيد بنيته المعمارية، مما يطرح تحديًا مستقبليًا يتمثل في تحقيق دقة أعلى باستخدام تصميمات أقل تعقيدًا. كما يناقش البحث الاتجاهات الحديثة، البدائل التقنية، والتحديات المرتقبة في هذا المجال.