فرزانه دهقانی؛ حسین عربی؛ علیرضا کریمیان
چکیده
بخش‌بندی تومور مغزی گامی مهم در تشخیص بیماری و روند درمان است. بخش‌بندی دستی تومورهای مغزی روشی زمان‌بر است. هدف از این مطالعه، بخش‌بندی خودکار تومور مغزی تصاویر MRI و بررسی میزان دقت توالی‌های مختلف ...
بیشتر
بخش‌بندی تومور مغزی گامی مهم در تشخیص بیماری و روند درمان است. بخش‌بندی دستی تومورهای مغزی روشی زمان‌بر است. هدف از این مطالعه، بخش‌بندی خودکار تومور مغزی تصاویر MRI و بررسی میزان دقت توالی‌های مختلف MRI در بخش‌بندی تومور مغزی است. برای این منظور، از تصاویر موجود در پایگاه دادة BRATS استفاده شده است. برای آموزش شبکه، 310 تصویر MRI در چهار توالی T1W، T1ce، T2W و FLAIR و همچنین، تصاویر بخشبندیشدة مرجع استفاده شدند. در این مرحله از شبکة عصبی یادگیری عمیق ResNet استفاده شد. پس از آموزش شبکه، عملیات بخش‌بندی روی 60 تصویر MRI آزمایش انجام شد. با توجه به نتایج بهدستآمده از پارامتر شباهت، توالی FLAIR عملکرد بهتری نسبت به سایر توالیها به‌منظور بخش‌بندی تومور مغزی داشته است. مقدار این پارامتر برای FLAIR برابر با 10/0 ± 77/0 است؛ در حالی که مقدار آن برای T1W، T2W و T1ce بهترتیب برابر با 12/0 ± 73/0، 15/0 ± 73/0 و 17/0 ± 62/0 است. همچنین، توالی FLAIR حساسیت بیشتری برای بخش‌بندی تومور مغزی داشته و مقدار آن برابر با 12/0 ± 83/0 است. براساس نتایج این مطالعه، FLAIR توالی قابل اعتمادتری نسبت به سایر توالیها برای بخش‌بندی تومور مغزی است.
