این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
مجله دانشکده پزشکی اصفهان، جلد ۴۰، شماره ۶۶۵، صفحات ۱۸۸-۱۹۳
عنوان فارسی طبقه‌بندی و تعیین درجه‌ی تومورهای گلیومای مغز با استفاده از تصاویر تشدید مغناطیسی و الگوریتم‌های یادگیری ماشین
چکیده فارسی مقاله مقاله پژوهشیمقدمه: گلیوما، متداول‌ترین تومور مغزی اولیه در بزرگسالان است. قابلیت‌‌های فراوان یادگیری ماشین با استفاده از تصویربرداری تشدید مغناطیسی (Magnetic resonance imaging) MRI می‌تواند آن را به عنوان ابزاری کاربردی در تشخیص دقیق و به موقع تومورها برای کمک به پزشکان در زمینه‌های مختلف تشخیصی و درمانی تبدیل کند. هدف از این پژوهش، قطعه‌بندی و تعیین درجه‌ی تومورهای گلیوما با انواع الگوریتم‌های یادگیری به صورت خودکار می‌باشد.روش‌ها: این یک مطالعه‌ی بنیادی- کاربردی است که بر روی تصاویر مولتی‌مدالیته MRI، 285 بیمار مبتلا به تومور گلیوما از مجموعه‌ی داده‌ی چالش BraTS 2018 انجام شد. جهت طبقه‌بندی تومورهای گلیوما درجه بالا (High grade glioma) HGG و درجه پایین (Low grade glioma) LGG، ابتدا قطعه‌بندی با شبکه‌ی U-Net صورت گرفت، سپس طبقه‌بندی بر مبنای شبکه‌ی VGG16 برای تعیین درجه‌ی تومور به کار گرفته شد.یافته‌ها: میانگین ضریب دایس (Dice) قطعه‌بند طراحی ‌شده برای نواحی کل تومور، هسته‌ی تومور و ناحیه‌ی افزایش‌یافته به ترتیب 0/76، 0/70 و 0/71 به دست آمد. صحت طبقه‌بند پیشنهادی بر مبنای شبکه‌ی VGG 16 به منظور تعیین درجه‌ی تومور در دو گروه HGG و 99/01 LGG، درصد حاصل شد.نتیجه‌گیری: با استفاده از روش‌های یادگیری ماشین، می‌توان درجه‌ی تومور گلیوما را بدون استفاده از روش‌های تهاجمی همانند نمونه‌برداری مشخص و نرخ بقای این بیماران و کیفیت زندگی آ‌ن‌ها را بهبود بخشید.
کلیدواژه‌های فارسی مقاله یادگیری ماشین، قطعه‌بندی، طبقه‌بندی، گلیوما، تصاویر تشدید مغناطیسی،
عنوان انگلیسی Classification and Staging of Brain Glioma Tumors Using Magnetic Resonance Imaging and Machine Learning Algorithms
چکیده انگلیسی مقاله Background: Glioma is the most common primary brain tumor in adults. Various machine learning tools via magnetic resonance imaging can make it a practical instrument in accurate and early diagnosis of tumors thereby assisting physicians in diverse diagnostic and therapeutic fields. The aim of this study is to automate the process of defining and determing the grade of glioma tumor with the use of a variety of learning algorithms.Methods: This is a fundamental-applied study performed on multimodal MRI images of 285 patients with glioma tumors from the BraTS 2018 Challenge Database. In order to classify glioma tumors as high and low grade, first a was performed with U Net network for the definition purposes, then the results were incorporated for classification in VGG16 network to determine the exact grade of tumor.Findings: The mean value of Dice Similarity Coefficient (DSC) for the classification designed for regions of the complete tumor, core of the tumor and the enhanced areas were 0.76, 0.70 and 0.71 respectively. The accuracy of the proposed classification based on VGG 16 network to determine the grade of tumor in both HGG and LGG groups was 99.01%.Conclusion: Machine learning methods can he useful to determine the glioma tumor grade instead of using invasive proceedures like biopsy which in turn improves overall survival rate of these patients and their quality of life.
کلیدواژه‌های انگلیسی مقاله یادگیری ماشین, قطعه‌بندی, طبقه‌بندی, گلیوما, تصاویر تشدید مغناطیسی
نویسندگان مقاله زهرا پاپی |
گروه فیزیک پزشکی، دانشکده‌ی پزشکی، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران

ایرج عابدی |
گروه فیزیک پزشکی، دانشکده‌ی پزشکی، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران

فاطمه دالوند |
کارشناسی ارشد، مهندسی پرتو پزشکی، دانشگاه شهید بهشتی، تهران، ایران

علیرضا عموحیدری |
بخش رادیوتراپی، بیمارستان میلاد اصفهان، اصفهان، ایران

نشانی اینترنتی https://jims.mui.ac.ir/article_24258_bda93dd32a144932deed5cdccbef4f02.pdf
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات