بخش بندی ناحیه ی هدف درمانی در بیماران سرطانی گلیوما توسط یادگیری انتقالی

مقاله پژوهشیمقدمه: این مطالعه به منظور بررسی قدرت و کارآیی یادگیری انتقالی در حل مشکل حجم داده های یادگیری عمیق به منظور بخش بندی خودکار ناحیه هدف درمانی در بیماران مبتلا به سرطان گلیوما انجام شده است.روش ها: در این مطالعه از تصاویر T۱، T۲ و Flair، تعداد ۱۰۰ عدد از بیمارانی که سرطان گلیومای آن ها 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 آن ها با میزان تشابه، همپوشانی، حساسیت و دقت مورد بررسی قرار گرفت.یافته ها: نتایج مطالعه ی ما نشان می دهد که یادگیری انتقالی می تواند باعث افزایش کارآیی بخش بندی خودکار شده و درتصاویر Flair تا بیش از ۷۶ درصد تشابه در میزان بخش بندی خودکار با بخش بندی دستی شود. همچنین این روش در تصاویر T۲ که نتوانسته نتایج را بهبود ببخشد، سرعت رسیدن به نتیجه مطلوب را افزایش داده است.نتیجه گیری: یادگیری عمیق در بخش بندی خودکار می تواند بر محدودیت های ناشی از حجم داده در بیماران گلیوما غلبه کند و عملکرد آن ها را بهبود ببخشید.

کلیدواژه ها:

Machine Learning ، Radiotherapy planning ، Glioma