جستجو در مقالات منتشر شده


43 نتیجه برای گیتی
بررسی سرطان پستان دارای رسپتور استروژن منفی، از نظر مقایسه یافته‌های تصویربرداری تومورهای با و بدون بیان بیش از حد رسپتور HER-2/neu
معصومه گیتی، علی برهانی، مهرداد مکری، مجید شکیبا، مرتضی عطری، نسیم باتوانی،
دوره 76، شماره 8 - ( آبان 1397 )
چکیده
زمینه و هدف: سرطان‌های پستان فاقد رسپتور استروژن دارای سیر بالینی، ویژگی‌های پروگنوستیک و پاسخ به درمان متفاوتی می‌باشند، همچنین انکوپروتیین HER2/neu در کنترل رشد طبیعی سلول و تقسیم سلولی نقش دارد و با مهاجم بودن تومور ارتباط مستقیم دارد. هدف این مطالعه ارزیابی گذشته‌نگر ویژگی‌های تصویربرداری ماموگرافی، سونوگرافی و MRI سرطان‌های پستان استروژن منفی با و بدون بیان بیش از حد رسپتور HER2/neu بود.
روش بررسی: در این مطالعه‌ی مقطعی گذشته‌نگر، ویژگی‌های تصویربرداری ماموگرافیک، سونوگرافیک و MRI و وضعیت رسپتور HER2/neu بیماران دارای سرطان پستان با رسپتور استروژن منفی مراجعه‌کننده به انستیتو کانسر بیمارستان امام‌خمینی (ره) تهران از تاریخ مهر ۱۳۹۴ تا مهر ۱۳۹۶ بازنگری شد. داده‌های کلینیکوپاتولوژیک و همچنین ارتباط ویژگی‌های تصویربرداری با وضعیت رسپتور HER2/neu، بررسی شد.
یافته‌ها: از بین ۷۲ بیمار با سرطان پستان استروژن منفی، ۱۰۱(۵۸/۸%) بیمار برای رسپتور HER2/neu مثبت بودند. ارتباط معناداری بین وضعیت رسپتور HER2/neu و نوع پاتولوژیک تومور (۰/۰۰۴P=)، گرید هیستولوژیک تومور (۰/۰۲۴P=) و مرحله‌ی TNM (۰/۰۲۱P=) به‌دست آمد. تومورهای با رسپتور HER2/neu مثبت با احتمال بیشتری دارای شکل نامنظم (۰/۰۳۴P=) و میکروکلسیفیکاسیون (۰/۰۰۴P=) بودند. ارتباط معناداری بین وضعیت رسپتور HER2/neu و ویژگی‌های سونوگرافیک و یا MRI به‌دست نیامد.
نتیجه‌گیری: بین سرطان‌های پستان استروژن منفی، موارد HER2/neu مثبت نسبت به موارد HER2/neu منفی با گرید هیستولوژیک و مرحله‌ی بالاتری در هنگام تشخیص بروز می‌یابند، همچنین شکل توده و میکروکلسیفیکاسیون در ماموگرافی با وضعیت رسپتور HER2/neu در سرطان پستان استروژن منفی ارتباط دارند.

شناسایی و تفکیک بیماری‌های بدخیم و خوش‌خیم پستان توسط ضریب دیفیوژن به‌وسیله تصویربرداری دیفیوژن در ضایعات توده‌ای و غیر توده‌ای
معصومه گیتی، بهناز مرادی، رسول آرامی، علی عرب خردمند، محمد علی کاظمی،
دوره 77، شماره 1 - ( فروردین 1398 )
چکیده
زمینه و هدف: تصویربرداری دیفیوژن (DWI) یکی از روش‌های تشخیص توده‌های سرطان پستان می‌باشد. هدف از این مطالعه بررسی سودمندی روش تصویربرداری دیفیوژن و ارزیابی قابلیت عدد ضریب پخش ظاهری (ADC) در تمایز توده‌های خوش‌خیم و بدخیم پستان می‌باشد.
روش بررسی: در این مطالعه توصیفی-مقطعی، ۷۲ بیمار با ۸۸ توده سرطان پستان به‌مدت دو سال از سال ۱۳۹۴ تا ۱۳۹۶، در مرکز تصویربرداری دکتر اطهری شهر تهران، با دستگاه ۵/۱ تسلا بررسی شدند. بیشتر بیماران تحت بررسی پاتولوژی قرار گرفتند و ۹ بیمار بر اساس پیگیری دو ساله در گروه خوش‌خیم وارد شدند. عدد ADC در بافت نرمال و همچنین در ضایعات توده‌ای و غیر توده‌ای در قسمتی از توده که بیشترین ریستریکشن را نشان داد اندازه‌گیری و مقایسه شد.
یافته‌ها: نتایج نشان داد مقدار عدد ADC در بافت نرمال بالاتر از بافت توده می‌باشد (۰۱/۰≥P). عدد ADC توده‌های خوش‌خیم mm2/s ۳-۱۰×۴۰/۱ و در توده‌های بدخیم mm2/s ۳-۱۰×۰۸/۱ اندازه‌گیری گردید. تعیین نقطه برش مناسب در ضایعات غیر توده‌ای فاقد اعتبار بود و در توده‌ها mm2/s‎‏ ۱۰-۳×۱۹/۱ ‏تعیین گردید. ارزش اخباری مثبت، ارزش اخباری منفی، حساسیت، ویژگی و صحت به‌ترتیب ۸۷/۵۰، ۸۶/۶۷، ۸۹/۷۴، ۸۳/۸۷ و ۸۷/۱۴ بود.
نتیجه‌گیری: در تصویربرداری دیفیوژن با توجه به عدد ADC می‌توان ضایعات توده‌ای خوش‌خیم و بدخیم را مشخص کرد و این روش با حساسیت و ویژگی بالایی می‌تواند توده‌های خوش‌خیم و بدخیم را از هم افتراق دهد ولی در افتراق ضایعات غیر توده‌ای کمک‌کننده نیست.

مروری بر سیستم‌های یادگیری عمیق کمک‌یار ماموگرافی: مقاله مروری
علی عامری، محمود شیری، معصومه گیتی، محمد علی اخایی،
دوره 79، شماره 5 - ( مرداد 1400 )
چکیده
سرطان پستان یکی از شایع‌ترین سرطان‌ها در زنان است. ماموگرافی غربال‌گری یک روش تصویربرداری اشعه ایکس با دوز پایین است که برای تشخیص سرطان پستان در مراحل اولیه به‌کار می‌رود. برای کمک به رادیولوژیست در خواندن ماموگرام سیستم‌های کمک‌یار (CAD) ساخته شده‌اند که نرم‌افزارهایی هستند که می‌توانند نواحی سرطانی را در ماموگرام تشخیص دهند. با پیشرفت‌های نرم‌افزاری و سخت‌افزاری اخیر که منجر به تکامل الگوریتم‌های یادگیری عمیق (DL) گردیده، انقلابی در رشته‌های مختلف مهندسی و همچنین فناوری‌های پزشکی به‌وجود آمده است. اخیرا، مدل‌های DL در سیستم‌های کمک‌یار ماموگرافی مورد استفاده قرار گرفته‌اند و به عملکرد بالایی دست پیدا کرده‌اند. روش‌های DL برخلاف روش‌های سنتی یادگیری ماشین، نیازی به فرایند مشکل و زمان‌بر مهندسی ویژگی‌ها ندارند و می‌توانند به‌طور خودکار، ویژگی‌های مورد نیاز را از روی تصویر یاد گرفته و استخراج کنند. یکی از پرکاربردترین الگوریتم‌های DL، شبکه عصبی کانولوشنال (CNN) می‌باشد. برای تشخیص ضایعات سرطانی در ماموگرام، CNN باید در یک الگوریتم مبتنی بر ناحیه مانند R-CNN، Fast R-CNN، Faster R-CNN و YOLO به‌کار گرفته شود. برای آموزش مدل‌های DL، نیاز به حجم زیادی از تصاویر ماموگرافی است که ضایعات سرطانی در آن‌ها توسط یک رادیولوژیست مجرب، مشخص شده باشند. به همین دلیل، تهیه و جمع‌آوری یک مجموعه داده بزرگ ماموگرافی مارک شده، برای ساخت یک سیستم کمک‌یار با دقت بالا، ضروری می‌باشد. این مقاله با هدف گردآوری وضعیت بهره‌مندی و پیشرفت‌های تکنولوژی یادگیری عمیق در سیستم‌های کمک‌یار ماموگرافی نوشته شده است.
صفحه 3 از 3    
اولین
قبلی
1
2
3
بعدی
آخرین
 

کلیه حقوق این وب سایت متعلق به مجله دانشکده پزشکی دانشگاه علوم پزشکی تهران می باشد.

طراحی و برنامه نویسی : یکتاوب افزار شرق

© 2024 , Tehran University of Medical Sciences, CC BY-NC 4.0

Designed & Developed by : Yektaweb