تعد عملية تحديد الأورام الدماغية من خلال التصوير بالرنين المغناطيسي (MRI) من المهام الأساسية في تشخيص الأمراض ودعم التخطيط العلاجي ومراقبة تطور المرض. ومع كثرة الأنظمة المعتمدة على التعلم العميق (Deep Learning) التي تم اقتراحها مؤخرًا، إلا أن إجراء مقارنات موضوعية بينها يعتبر تحديًا كبيرًا، بسبب اختلاف مجموعات البيانات واستراتيجيات المعالجة المسبقة والبروتوكولات التدريبية المستخدمة.

تقدم هذه الدراسة benchmark موحد لتقييم الأنظمة التفصيلية المختلفة، مثل الشبكات العصبية الالتفافية (Convolutional Neural Networks) ونماذج Transformer ونماذج الحالة الحالية (State Space Models) في ظروف تجريبية متجانسة. يتم تقييم خمسة نماذج متقدمة في تحديد الأورام، بما في ذلك 3D U-Net وSegResNet وSwin UNETR وSegMamba وSegMambaV2، على مجموعتين من البيانات ممثلتين لسيناريوهات سريرية مختلفة: تحديد الأورام السحائية داخل الجمجمة (BraTS 2023) وتحديد الأورام الدبقية بعد المعالجة (BraTS 2024).

جميع الأنظمة تم تدريبها باستخدام استراتيجيات معالجة مسبقة متطابقة، إضافةً إلى استراتيجيات تعزيز البيانات (Data Augmentation) وبروتوكولات تقييم مشابهة لضمان إجراء مقارنة عادلة. تم تقييم الأداء باستخدام مقاييس دقة التحديد بالإضافة إلى مؤشرات التكلفة الحاسوبية، بما في ذلك زمن الاستدلال وحجم كل نموذج. تكشف النتائج عن رؤى عملية حول التوازنات بين دقة التحديد وكفاءة الحساب، مما يبرز ملاءمة الأنماط المعمارية المختلفة للمهام التحديّة في تحديد الأورام الدماغية الثلاثية الأبعاد.