اگر تومورهای مغزی در مراحل بعدی کشف شوند مضرتر هستند، بنابراین تشخیص زودهنگام و دقیق ضروری است. برای انتخاب موثرترین روش درمانی و متخصصان اعصاب، یک استراتژی شناسایی اولیه ضروری است. بسته به اینکه تومورهای مغزی در سراسر مغز پخش شده باشند یا نه، ممکن است به عنوان خوش خیم یا بدخیم طبقه بندی شوند. زمانی که در مرحله خوش خیم است و به سایر بافت ها سرایت نمی کند با درمان قابل درمان است، اما زمانی که به مرحله بدخیم خود رسیده و به سایر بافت های طبیعی مغز گسترش یافته است، برداشتن جراحی ضروری است. اگرچه کارهای زیادی در مورد استفاده از DL برای مشکل تقسیم بندی تومورهای مغزی انجام شده است، این پایان نامه استدلال می کند که هنوز نیاز زیادی به مطالعه بیشتر در مورد موضوع قبل از دستیابی به بهترین نتایج طبقه بندی ممکن وجود دارد. چنین تحقیقاتی ممکن است شامل اصلاح یک مدل موجود، توسعه یک مدل کاملاً جدید از ابتدا، یا تنظیم برخی از جنبه‌های محیط عملیاتی مدل باشد. استفاده از یادگیری عمیق برای چالش تقسیم تومورهای مغزی به اجزای سازنده آن، تعدادی از چالش‌های جذاب را به عنوان یک حوزه بالقوه جدید مطالعه ایجاد می‌کند. تحقیقات فرسایشی گسترده برای بررسی از دست دادن نظارت عمیق، از دست دادن کانونی، توجه رمزگشا، بلوک دراپ، و اتصالات باقیمانده به منظور تعیین موثرترین برنامه یادگیری و معماری مدل انجام شده است. این به منظور ایجاد برنامه یادگیری بهینه و معماری مدل انجام شد. علاوه بر این، ما انواع روش‌های پس پردازش را بررسی کردیم که یکی از آن‌ها شامل کشف عمق بهینه رمزگذار U-Net، تعداد کانال‌های کانولوشن و رویکرد پس پردازش بود.
