فهرست نشریات علمی دسترسی آزاد ایران

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.