دوره 9، شماره 1 - ( 3-1401 )
جلد 9 شماره 1 صفحات 49-40 |
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:
Yousefi M, Hedyehzadeh M. Recurrence Detection of Non-small cell Lung Cancer (NSCLC) Tumors Using Imaging and Clinical Features. jhbmi 2022; 9 (1) :40-49
URL: http://jhbmi.ir/article-1-692-fa.html
URL: http://jhbmi.ir/article-1-692-fa.html
یوسفی مهدی، هدیه زاده محمدرضا. تشخیص عود تومورهای ریوی سلول غیر کوچک با استفاده از ویژگی‌های تصویری و بالینی. مجله انفورماتیک سلامت و زیست پزشکی. 1401; 9 (1) :40-49
گروه مهندسی پزشکی، واحد دزفول، دانشگاه آزاد اسلامی، دزفول، ایران
چکیده: (2941 مشاهده)
مقدمه: تخمین پاسخ به درمان همیشه یکی از کارهای چالش‌برانگیز یک انکولوژیست است. با توجه به تأثیر بسزای عود کردن تومور در برنامه درمانی بیماران مبتلا به سرطان ریه، یافتن روشی جهت پیش‌بینی و تشخیص عود این تومورها قبل از شروع درمان دارای اهمیت فراوان است. این امر امروزه به صورت تجربی انجام شده و دقت آن بسیار وابسته به تبحر و تجربه پزشک است. لذا هدف از این مطالعه ارائه روشی خودکار جهت تشخیص عود کردن سرطان ریه مبتنی بر ویژگی‌های تصویری و بالینی است.
روش: داده‌های مورد استفاده در این مطالعه از پرتال TCIA جمع‌آوری‌شده است. پس از پیش‌پردازش تصاویر، ناحیه بندی به روش اتسو و در مرحله بعد توسط مدل‌های از پیش آموزش دیده AlexNet و GoogleNet ویژگی‌های رادیومیک استخراج و در کنار ویژگی‌های بالینی جهت تشخیص عود کردن ضایعه مورد استفاده قرار گرفت. در نهایت توسط برخی روش‌های یادگیری ماشین به طبقه‌بندی پرداخته شد.
نتایج: روش پیشنهادی ما در 162 بیمار مبتلا به سرطان ریه سلول غیر کوچک (NSCLC) با استفاده از پایگاه داده رادیوژنومیک NSCLC در پورتال (The Cancer Imaging Archive) TCIAمورد ارزیابی قرار گرفت. پس از پیش‌پردازش تصاویر، ناحیه بندی به روش اتسو و در مرحله بعد توسط مدل‌های از پیش آموزش دیده AlexNet و GoogleNet ویژگی‌های رادیومیک استخراج و در کنار ویژگی‌های بالینی جهت تشخیص عود کردن ضایعه مورد استفاده قرار گرفت. در نهایت توسط برخی روش‌های یادگیری ماشین به طبقه‌بندی پرداخته شد.
نتیجه‌گیری: یافته اصلی این مطالعه آشکار شدن قابلیت روش‌های یادگیری عمیق در استخراج ویژگی از تصاویر پزشکی اشاره کرد. به عنوان مثال در این مطالعه شبکه AlexNet قادر به استخراج ویژگی‌هایی از تصویر CT بیماران مبتلا به تومور ریوی بود که در تشخیص عود مجدد این ضایعات بسیار کمک کننده است.
روش: داده‌های مورد استفاده در این مطالعه از پرتال TCIA جمع‌آوری‌شده است. پس از پیش‌پردازش تصاویر، ناحیه بندی به روش اتسو و در مرحله بعد توسط مدل‌های از پیش آموزش دیده AlexNet و GoogleNet ویژگی‌های رادیومیک استخراج و در کنار ویژگی‌های بالینی جهت تشخیص عود کردن ضایعه مورد استفاده قرار گرفت. در نهایت توسط برخی روش‌های یادگیری ماشین به طبقه‌بندی پرداخته شد.
نتایج: روش پیشنهادی ما در 162 بیمار مبتلا به سرطان ریه سلول غیر کوچک (NSCLC) با استفاده از پایگاه داده رادیوژنومیک NSCLC در پورتال (The Cancer Imaging Archive) TCIAمورد ارزیابی قرار گرفت. پس از پیش‌پردازش تصاویر، ناحیه بندی به روش اتسو و در مرحله بعد توسط مدل‌های از پیش آموزش دیده AlexNet و GoogleNet ویژگی‌های رادیومیک استخراج و در کنار ویژگی‌های بالینی جهت تشخیص عود کردن ضایعه مورد استفاده قرار گرفت. در نهایت توسط برخی روش‌های یادگیری ماشین به طبقه‌بندی پرداخته شد.
نتیجه‌گیری: یافته اصلی این مطالعه آشکار شدن قابلیت روش‌های یادگیری عمیق در استخراج ویژگی از تصاویر پزشکی اشاره کرد. به عنوان مثال در این مطالعه شبکه AlexNet قادر به استخراج ویژگی‌هایی از تصویر CT بیماران مبتلا به تومور ریوی بود که در تشخیص عود مجدد این ضایعات بسیار کمک کننده است.
واژه‌های کلیدی: سرطان ریه سلول غیر کوچک، پردازش تصویر، یادگیری ماشین، یادگیری عمیق، ویژگی‌های رادیومیک
نوع مطالعه: پژوهشي اصیل |
موضوع مقاله:
هوش مصنوعی در حوزه سلامت
دریافت: 1401/2/19 | پذیرش: 1401/4/12
دریافت: 1401/2/19 | پذیرش: 1401/4/12
فایل صوتی [MP3 2168 KB] (73 دریافت)
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
