ارائه کننده نیلوفر ندافی
استاد راهنما: دكتر توكتم خطيبي
استاد داور داخلي: دكتر محمدمهدي سپهري
استاد داور خارج از دانشگاه: دكتر مهدي برزگر
نماينده تحصيلات تكميلي: دكتر محمدمهدي سپهري
تاریخ: 1402/11/17     
ساعت: 16
مكان: سايت دانشكده مهندسي صنايع و سيستم ها

چکیده:
گلیوبلاستوما مولتی فرم (GBM)، بیماری است که 45.6 درصد از تومورهای بدخیم مغزی اولیه را تشکیل می‎دهد و در حال حاضر هیچ درمان قطعی ندارد. این بیماری به دلیل درمان ناکارآمد و رشد سریع تومور، باعث مرگ و میر بیماران در سال اول یا دوم بیماری است که زمان کوتاه‎تری نسبت به اکثر سرطان‎های دیگر است. طبق مطالعات انجام شده، در سال 2021، 24530 بزرگسال (13840 مرد و ۱۰۶۹۰ زن) تنها در ایالات متحده به این بیماری مبتلا بودند. یکی از راه‎های درمان این بیماری رادیوتراپی است. ویژگی‌های مورد نیاز برای تجزیه و تحلیل و تشخیص این بیماری، داده‌های بالینی، زیست‌پزشکی و تصویری مختلف است که باعث پیچیدگی‌ در تشخیص پزشک و زمان‎بر بودن مراحل تشخیص و درمان می‎شود. در تشخیص این بیماری، از تصویربرداری رزونانس مغناطیسی (MRI) به دلیل مزیت شناسایی محل و اندازه ضایعات برای معاینه رادیولوژیکی به عنوان یک ابزار غیر تهاجمی استفاده می‎شود. مدل‎های یادگیری عمیق (DL) و مدل‎های مولد برای مطالعه GBM و بررسی داده‎های بالینی و تصویری بیماران، در تشخیص این بیماری و انتخاب روش درمان موثر واقع شده است.
عنوان این گزارش پزشکی شخصی‎سازی شده برای بیماران مبتلا به سرطان GBM به کمک تجزیه و تحلیل تصاویر پزشکی با استفاده از مدل‎های مولد و یادگیری عمیق می‎باشد. این پژوهش با هدف واکافت تصاویر MRI و داده‎های بالینی بیماران مبتلا به GBM انجام شد. داده‎های مربوط به ۲۳ بیمار از مرکز تصویربرداری مهدیه همدان جمع‎آوری شد. تعداد تصاویر مربوط به بیماران برابر ۱۱۸۷ تصویر با رزولوشن 512 در 512 بود.
ابتدا بیماران بر اساس میزان دوز تجویز شده توسط پزشک، به ۴ کلاس تقسیم‎بندی شدند. پس از کاهش ابعاد تصاویر به ۱۲۸ در ۱۲۸، از مدل شبکه عصبی دو بعدی و شبکه VIT به منظور استخراج ویژگی استفاده شد. سپس مدل‎سازی به منظور کاهش نویز تصاویر و کلاس‎بندی انجام شد.
در این پژوهش سه سناریو در نظر گرفته شد. سناریو اول با ساخت مدل ترکیبی مدل بینایی VIT و مدل خودرمزگذار Auto-Encoder بر روی تصاویر MRI بیماران و تشخیص بهترین میزان دوز مورد نیاز بیماران طراحی شد. صحت مدل در سناریو اول ۹۶ درصد به دست آمد. در سناریو دوم به تصاویر MRI بیماران، با روش گوسی که نزدیک‎ترین نوع نویز به نوع واقعی در تصاویر MRI بود، نویز اضافه شد و صحت مدل بر روی تصاویر جدید به ۷۲ درصد کاهش یافت. در سناریو سوم تصاویر نویزدار ترمیم شدند و صحت مدل به ۹۴ درصد افزایش پیدا کرد.
در این پژوهش با استفاده از مدل‎های یادگیری عمیق و مدل مولد، شبکه‎ای برای تشخیص بهترین دوز مورد نیاز بیماران مبتلا به تومور مغزی بدخیم از طریق روش درمانی رادیوتراپی ساخته شد. با نتایج مطلوب مدل طراحی شده، می‎توان اطمینان حاصل کرد که این مدل می‎تواند اثر نویز تصادفی در تصاویری که ممکن است به هر دلیل دچار نویز شده باشند را کاهش دهد و بهترین میزان دوز مورد نیاز برای بیماران مبتلا به GBM را در روش درمانی رادیوتراپی تشخیص دهد.