جستجو در مقالات منتشر شده


4 نتیجه برای ماموگرافی
نتایج یک کُد فرترن برای محاسبه دوز غده‌ای در ماموگرافی با استفاده از پارامترهای Sobol-Wu
علی اصغر مولوی،
دوره 65، شماره 3 - ( 3-1386 )
چکیده
نوشتن یک کُد کامپیوتری برای محاسبه متوسط دوز جذبی غده‌ای در ماموگرافی برای تخمین دوز دقیق و سریع، مؤثر است.
روش بررسی: در این پژوهش، با استفاده از پارامترهای محاسبه شده توسط
Sobol-Wu، یک کُد برای محاسبه دوز به زبان فرترن نوشته شده است. این کُد کامپیوتری، دوز را برای ماموگرامهای با هدف- فیلتر Mo-Mo، Rh-Rh و Mo-Rh به ازای پارامترهای ورودی: ولتاژ، ضخامت نیم لایه اشعه X، ضخامت پستان، و کسر غده‌ای بافت پستان محاسبه می‌کند.
یافته‌ها: با اجرای کُد، تغییرات متوسط دوز جذبی غده‌ای برای سه آرایش هدف- فیلتر و به ازای cm 4d=، mm 34/0HVL=، و 5/0g= بر حسب ولتاژ لامپ اشعه X دستگاه ماموگرام، و تغییرات آن بر حسب درصد غده‌ای بافت پستان به ازای 25kV=، mm 34/0HVL=، و cm 4d= محاسبه شده است. همچنین تغییرات متوسط دوز جذبی غده‌ای بر حسب HVL اشعه X دستگاه ماموگرام به ازای 28kV=، 4d=، و 6/0g= گزارش شده و نتایج بدست آمده از این کُد در توافق بسیار خوبی با نتایج دیگران است.
نتیجه‌گیری: علاوه بر جامعیت، سرعت و دقت دوز محاسبه شده و استفاده آسان کُد توسط کاربر، می‌توان از آن برای بهینه‌سازی دوز تابشی در ماموگرافی استفاده کرد.


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 - ( 8-1397 )
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.

مروری بر روش‌های تشخیص سرطان پستان با استفاده از شبکه عصبی : مقاله مروری
همایون یکتایی، محمد منثوری،
دوره 78، شماره 6 - ( 6-1399 )
چکیده
سرطان پستان، شایعترین سرطان در بین زنان می‌باشد و هر چقدر سرطان پستان زودتر تشخیص داده شود، درمان آن آسان‌تر است. رایج‌ترین روش تشخیص سرطان سینه ماموگرافی می‌باشد. ماموگرافی یک عکس رادیوگرافی ساده از پستان و ابزاری برای کشف زودرس سرطان‌ها و تومورهای غیرقابل لمس پستان است. با این‌حال، با توجه به برخی محدودیت‌های این روش مانند حساسیت کم به‌ویژه در سینه‌های متراکم، روش‌های دیگری مانند ماموگرافی سه بعدی، سونوگرافی و تصویربرداری با رزونانس مغناطیسی اغلب برای دستیابی به اطلاعات بیشتر و دقیق‌تر پیشنهاد می‌شود. به‌تازگی، سیستم‌های تشخیص یا تشخیص هوشمند با کمک رایانه برای کمک به رادیولوژیست‌ها به‌منظور افزایش دقت تشخیصی تولید شده‌اند. به‌طورکلی، یک سیستم کامپیوتری از چهار مرحله پیش‌پردازش، تقسیم مناطق مورد علاقه (ROI)، استخراج و انتخاب ویژگی‌ها و در آخر طبقه‌بندی تشکیل می‌شود. امروزه استفاده از روش‌ها و تکنیک‌های پردازش تصویر و شناسایی الگوها در تشخیص و تعیین خودکار سرطان پستان از روی تصاویر ماموگرافی و حتی آسیب‌شناسی دیجیتال که یکی از روندهای در حال ظهور در پزشکی مدرن است، باعث کم شدن خطاهای انسانی و افزایش سرعت تشخیص می‌شوند. در این مقاله مروری به بررسی کارهای انجام شده و معایب و مزایای آن در زمینه‌ی تشخیص سرطان پستان به کمک شبکه‌های عصبی به‌ویژه شبکه عصبی کانوولوشن (Convolutional artificial neural network) که در تشخیص انواع سرطان‌ها به‌ویژه تشخیص هوشمند سرطان‌ پستان به‌طور گسترده‌ای استفاده شده است، پرداخته شده است. بررسی مقالات نشان می‌دهد که الگوریتم‌های ترکیبی در بهبود طبقه‌بندی و دقت تشخیص بهتر بوده‌اند.
مروری بر سیستم‌های یادگیری عمیق کمک‌یار ماموگرافی: مقاله مروری
علی عامری، محمود شیری، معصومه گیتی، محمد علی اخایی،
دوره 79، شماره 5 - ( 5-1400 )
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 1 از 1     

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