چکیده: چکیده امروزه تومورهای مغزی و سرطان دستگاه عصبی که یکی از شایع‌ترین سرطان‌های موجود است، یکی از عوامل اصلی مرگ و میر در سراسر جهان است. به‌طوری که در سال 2012 طبق آمار، نرخ وقوع و فوت بر اثر تومور مغزی حدود متوسط 3.4 درصد در هر یکصد هزار انسان و همچنین سرطان سیستم عصبی نیز حدود 2.9 درصد در هر یکصد هزار نفر در سراسر دنیا بوده است. همچنین طبق مطالعاتی دیگر از سال 2004 تا 2013 و در مدت 10سال، نرخ وقوع بیماری تومور مغزی و سرطان دستگاه عصبی از لحاظ سنی، در بین مردم گسترش پیدا کرده است. نکته بسیار حائز اهمیت در مواجهه با این بیماری و شانس بالای درمان آن، تشخیص صحیح و البته سریع آن است. بدین منظور نیازمند استفاده از ابزارهای قوی جهت تشخیص و شناسایی بیماری می‌باشیم. به‌کار‌گیری هوش مصنوعی و استفاده از روش‌های مبتنی بر یادگیری عمیق، یکی از راهکارهای بسیار سریع، قدرتمند و بهینه در شناسایی تومور مغزی در حوزه تصویربرداری پزشکی هست که مورد توجه بسیاری از پژوهشگران حوزه بینایی ماشین قرار دارد. در این پژوهش با به‌کار‌گیری یک شبکه عمیق خصوصی‌سازی شده مبتنی بر شبکه عمیق یونت، اقدام به شناسایی و استخراج تومور مغزی در تصاویر MRI شده‌ است. ما در فعالیت خود از یک ماژول طراحی ‌شده تحت عنوان اصلاح گاما سازگار با هدف تقویت ویژگی‌های استخراجی استفاده نمودیم. این ماژول با توجه به خصوصیاتی که در خود دارد، باعث می‌شود نقشه ویژگی‌های بهتری نسبت به شبکه یونت معمولی از تصاویر موجود به دست‌آمده، در نتیجه عمل شناسایی و استخراج تومور در تصاویر پزشکی را برای ما بهبود می‌بخشد. با توجه به ساختار پایه‌ای موجود گامانت، با اصلاح ساختار و معماری این شبکه و کاهش پارامترهای محاسباتی در این شبکه اقدام به بهبود پیچیدگی محاسباتی آن نمودیم. در نتایج حاصل از به‌کار‌گیری روش پیشنهادی بر روی مجموعه دادگان TCGA-LGG ، مقادیر دقت(IOU) برابر با 0.83و Dice برابر با 0.85 به‌دست آمدند که با توجه به میزان پارامترهای آموزشی کاهش‌یافته معماری به‌کارگرفته‌شده در مقایسه با معماری شبکه پایه، علیرغم کاهش نسبی و ناچیز مقادیر، نشان از عملکرد مطلوب روش پیشنهادی دارد.