بخش‌بندی ناحیه‌ی هدف درمانی در بیماران سرطانی گلیوما توسط یادگیری انتقالی

Abstract

مقاله پژوهشیمقدمه: این مطالعه به منظور بررسی قدرت و کارآیی یادگیری انتقالی در حل مشکل حجم داده‌های یادگیری عمیق به منظور بخش‌بندی خودکار ناحیه هدف درمانی در بیماران مبتلا به سرطان گلیوما انجام شده است.روش‌ها: در این مطالعه از تصاویر T1، T2 و Flair، تعداد 100 عدد از بیمارانی که سرطان گلیومای آن‌ها مسجل شده بود، استفاده شد. تمامی تصاویر پس از بازبینی کیفی، نرمالیزه شدند و به سایز مشخص درآمدند. سپس تصاویر به یک مدل در دو حالت با و بدون یادگیری انتقالی داده شدند و عملکرد آن‌ها با میزان تشابه، همپوشانی، حساسیت و دقت مورد بررسی قرار گرفت.یافته‌ها: نتایج مطالعه‌ی ما نشان می‌دهد که یادگیری انتقالی می‌تواند باعث افزایش کارآیی بخش‌‌بندی خودکار شده و درتصاویر Flair تا بیش از 76 درصد تشابه در میزان بخش‌بندی خودکار با بخش‌بندی دستی شود. همچنین این روش در تصاویر T2 که نتوانسته نتایج را بهبود ببخشد، سرعت رسیدن به نتیجه مطلوب را افزایش داده است.نتیجه‌گیری: یادگیری عمیق در بخش‌بندی خودکار می‌تواند بر محدودیت‌های ناشی از حجم داده در بیماران گلیوما غلبه کند و عملکرد آن‌ها را بهبود ببخشید.

Keywords

• یادگیری ماشین
• طراحی درمان رادیوتراپی
• گلیوما