رشد نامتعارف سلول های بافت مغزی منجر به ایجاد تومور مغزی می گردد . تومور های حاصل ممکن است از طریق متاستاز سایر ارگان ها در بافت مفز به وجود آمده یا منشاء آن از بافت های مغزی باشد . تومور های مغزی شامل تمام تومور های تشکیل شده در مغز و نخاع می گردد . این بیماری سالیانه جان هزاران نفر را می گیرد . تومور های مغزی خود به دو دسته ی تومور های خوش خیم و تومور های بدخیم تقیسم بندی می شوند البته شایان ذکر است که تومور های بدخیم خود به دو دسته ی تومور های اولیه ، تومور های ثانویه دسته بندی می شوند . تشخیص تومور مغزی به دلیل ساختار پیچیده ی مفز کاری بسیار دشوار می باشد . امروزه با توسعه فناوری های نوین در علم مهندسی پزشکی امکان تصویر برداری از مغز امکان پذیر شده است . امروزه برای تصویر برداری از بافت مغز معمولا استفاده از روش تصویر برداری MRI توصیه می گردد . اما نقش سایر روش های تصویر برداری از جمله CT-SCAN را نیز نباید نادیده گرفت . در تکنیک دیگری که در این مقاله مورد استفاده قرار گرفت تصاویر MRI فاقد تومورمفزی با تصاویری که در آن ها تومور مغزی وجود داشت مقایسه گردید . در روش سوم هیستوگرام محاسبه شد و بر روی میزان threshold در روش سوم هیستوگرام محاسبه شد و بر روی میزان threshold ( میزان آستانه ) اثر گذار بود . مطالعات نشان داد روش مذکور روشی تاثیر گذار در تعیین تومور مفزی بنا بر تصاویر MRI می باشد . 4- در سال 2013 ؛VIJAY و همکارش SUBHASHINI مقاله ای با عنوان تشخیص تومور با استفاده از الگوریتم دسته بندی K-MEAN ارائه کردند . در این روش ناحیه بندی تصویر با دسته بندی K-MEAN ترکیب شد و بررسی گردید استقاده از این روش بسیار آسان تر از استفاده از روش فازی بود . 5- در سال 2015 vaishnavee و همکارش مقاله ای ارائه کردند که در آن با استفاده از دسته بنندی SOM و دسته بندی SVM به دسته بندی اتوماتیک تصاویر MRI و تشخیص تومور پرداختند . در این روش تصاویر MRI ناحیه بندی شده و در پایان تومور ها تشخیص داده شد . 6- در سال 2015 ، یک مقاله مروری در خصوص تکنیک های پردازش تصویر در تشخیص تومور توسط borole و همکارانش ارائه گردید در این مقاله به بررسی روش های کنترل کنتراست ، تشخیص لبه ، threshold ، هیستوگرام ، روش های مورفولوژیک و ناحیه بندی پرداخته شد / لازم به ذکر می باشد در این مقاله شیوه های پیش پردازش تصویر نیز مورد بررسی قرار گرفت . 7- در سال 2016 ، Ali ISIN و همکارانش مقاله ای مروری در خصوص تصاویر MRI مبنی بر ناحیه بندی تومور های مغزی با استفاده از روش یادگیری عمیق ارائه کردند . در ایم مقاله به بررسی ناحیه بندی نیمه اتوماتیک ، تمام اتوماتیک و چالش های آن پرداخته شده است . علاوه بر به تشریح روش های ناحیه بندی یادگیری عمیق پرداخته است . 8- در سال 2020 ، suresha و همکارانش برای تشخیص تومور با استفاده از پردازش تصویر با استفقاده از پیش پرداز و تبدیل تصویر ورودی به حالت gray scale با استفاده از مقدار آستانه باینری استفاده نمودند . برای انتخاب ویژگی های تصویر از الگوریتم k- mean بهره گیری شد در نهایت تومور ها توسز شبکه عصبی SVM تشخیص داده شد . 9- در سال 2020 ، gore و همکارانش به مقایسه روش های مختلف یادگیری عمیق در تشخیص تومور مغزی پرداختند و هر روش را از دیدگاه های مختلف مورد بررسی قرار دادند . 10- در سال 2021 ، لویزا ده یادگاری و همکارش سمیه خواجه احسانی مقاله ای در خصوص ناحیه بندی تصاویر MRI و تشخیص تومور مغزی با استفاده از شیکه عصبی پیچشی ارائه نمودند . تکنیک ارائه شده در این مقاله به این صورت می باشد که پس از پیش پردازش تصاویر MRI ناحیه بندی تصویر با استفاده از شبکه عصبی پیچشی ویژگی های مورد نظر تصویر به دست می آید .سپس نواحی دارای بافت های نامتعارف از نواحی دارای بافت های عادی جدا می گردد . با توجه به افزایش روز افزون بیماری ها ، از جمله تومور مغزی نیاز به تشخیص زود هنگام و به موقع تومور مغزی با توجه به تشخیص دشوار این نوع بیماری از روی تصاویر MRI امری ضروری می باشد . با توجه به دشواری در تشخیص انواع تومور های مغزی روش های پردازش تصویر امکان تشخیص دقی تومور مفزی را امکان پذیر می نماید . از سوی دیگر با استفاده از روش های پردازش تصویر حصول نتیجه با سرعت بیشتری امکان پذیر می گردد .
