دوره 80، شماره 4 - ( تیر 1401 )
جلد 80 شماره 4 صفحات 299-293 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Papi Z, Abedi I, Dalvand F, Amouheidari A. Automatic segmentation of glioma tumors from BraTS 2018 challenge dataset using a 2D U-Net network. Tehran Univ Med J 2022; 80 (4) :293-299
URL: http://tumj.tums.ac.ir/article-1-11811-fa.html
URL: http://tumj.tums.ac.ir/article-1-11811-fa.html
پاپی زهرا، عابدی ایرج، دالوند فاطمه، عموحیدری علیرضا. قطعه‌بندی خودکار تومورهای گلیوما از مجموعه داده چالش
BraTS 2018 با استفاده از شبکه U-Net دو بعدی. مجله دانشکده پزشکی، دانشگاه علوم پزشکی تهران. 1401; 80 (4) :293-299
زهرا پاپی1 
، ایرج عابدی* 2، فاطمه دالوند3 ، علیرضا عموحیدری4
، ایرج عابدی* 2، فاطمه دالوند3 ، علیرضا عموحیدری4
1- گروه فیزیک پزشکی، دانشکده پزشکی، دانشگاه علوم پزشکی، اصفهان، ایران.
2- گروه فیزیک پزشکی، دانشکده پزشکی، دانشگاه علوم پزشکی، اصفهان، ایران. ،i.abedi@med.mui.ac.ir
3- گروه پرتوپزشکی، دانشکده پزشکی، دانشگاه شهید بهشتی، تهران، ایران.
4- بخش پرتودرمانی، بیمارستان میلاد اصفهان، اصفهان، ایران.
2- گروه فیزیک پزشکی، دانشکده پزشکی، دانشگاه علوم پزشکی، اصفهان، ایران. ،
3- گروه پرتوپزشکی، دانشکده پزشکی، دانشگاه شهید بهشتی، تهران، ایران.
4- بخش پرتودرمانی، بیمارستان میلاد اصفهان، اصفهان، ایران.
چکیده: (1082 مشاهده)
زمینه و هدف: گلیوما (Glioma) متداول‌ترین تومور مغزی اولیه بوده و تشخیص به موقع تومور در برنامه‌ریزی درمان بیماران حایز اهمیت است. قطعه‌بندی دقیق تومور و نواحی داخلی آن در تصاویر تشدید مغناطیسی (Magnetic resonance imaging) توسط رادیولوژیست به‌عنوان گام اول در تشخیص می‌باشد که افزون‌بر زمان‌بر بودن ممکن است توسط پزشکان مختلف تشخیص‌های متفاوتی داده شود. هدف از انجام مطالعه حاضر ارایه روشی خودکار در قطعه‌بندی تومور و نواحی داخلی آن می‌باشد.
روش بررسی: این یک مطالعه بنیادی-کاربردی است که از اردیبهشت 1399 تا شهریور 1400 و بر روی تصاویر مولتی مدالیتی MRI ۲۸۵ بیمار مبتلا به تومور گلیوما از پایگاه داده BraTS 2018 انجام گرفت. در این مطالعه، معماری U-Net دو بعدی با روش مبتنی بر تکه (Patch-based)، شامل یک مسیر رمزگذاری جهت استخراج ویژگی‌ها و یک مسیر رمزگشایی متقارن طراحی گردید. آموزش این شبکه در سه مرحله مجزا با استفاده از داده‌های گلیوما درجه بالا (High grade glioma)، گلیوما درجه پایین (Low grade glioma) و ترکیب دو گروه به‌ترتیب با تعداد 210، 75 و 220 بیمار انجام شد.
یافته‌ها: مدل پیشنهادی نتایج ضریب دایس در مجموعه داده‌های HGG، 85/0، 85/0، 77/0، مجموعه داده‌های LGG، 80/0، 66/0، 51/0 و ترکیب دو گروه، 88/0، 79/0، 77/0 به‌ترتیب برای نواحی کل تومور، هسته تومور و ناحیه افزایش‌یافته در داده‌های آموزش برآورد نمود.
نتیجه‌گیری: با استفاده از شبکه U-Net می‌توان در قطعه‌بندی دقیق تومور و نواحی مختلف آن کمک شایانی به پزشکان انجام داد، همچنین با تشخیص دقیق و درمان زودهنگام نرخ بقای این بیماران را افزایش داد و کیفیت زندگی آنها را بهبود بخشید.
روش بررسی: این یک مطالعه بنیادی-کاربردی است که از اردیبهشت 1399 تا شهریور 1400 و بر روی تصاویر مولتی مدالیتی MRI ۲۸۵ بیمار مبتلا به تومور گلیوما از پایگاه داده BraTS 2018 انجام گرفت. در این مطالعه، معماری U-Net دو بعدی با روش مبتنی بر تکه (Patch-based)، شامل یک مسیر رمزگذاری جهت استخراج ویژگی‌ها و یک مسیر رمزگشایی متقارن طراحی گردید. آموزش این شبکه در سه مرحله مجزا با استفاده از داده‌های گلیوما درجه بالا (High grade glioma)، گلیوما درجه پایین (Low grade glioma) و ترکیب دو گروه به‌ترتیب با تعداد 210، 75 و 220 بیمار انجام شد.
یافته‌ها: مدل پیشنهادی نتایج ضریب دایس در مجموعه داده‌های HGG، 85/0، 85/0، 77/0، مجموعه داده‌های LGG، 80/0، 66/0، 51/0 و ترکیب دو گروه، 88/0، 79/0، 77/0 به‌ترتیب برای نواحی کل تومور، هسته تومور و ناحیه افزایش‌یافته در داده‌های آموزش برآورد نمود.
نتیجه‌گیری: با استفاده از شبکه U-Net می‌توان در قطعه‌بندی دقیق تومور و نواحی مختلف آن کمک شایانی به پزشکان انجام داد، همچنین با تشخیص دقیق و درمان زودهنگام نرخ بقای این بیماران را افزایش داد و کیفیت زندگی آنها را بهبود بخشید.
نوع مطالعه: مقاله اصیل |
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
