پديد آورندگان :
پاپي، زهرا دانشگاه علوم پزشكي - دانشكده پزشكي - گروه فيزيك پزشكي، اصفهان، ايران , عابدي، ايرج دانشگاه علوم پزشكي - دانشكده پزشكي - گروه فيزيك پزشكي، اصفهان، ايران , دالوند، فاطمه دانشگاه شهيد بهشتي - دانشكده پزشكي - گروه پرتوپزشكي، تهران، ايران , عموحيدري، عليرضا بيمارستان ميلاد اصفهان - بخش پرتودرماني، اصفهان، ايران
چكيده فارسي :
گليوما (Glioma) متداول ترين تومور مغزي اوليه بوده و تشخيص به موقع تومور در برنامه ريزي درمان بيماران حايز اهميت است. قطعه بندي دقيق تومور و نواحي داخلي آن در تصاوير تشديد مغناطيسي (Magnetic resonance imaging) توسط راديولوژيست به عنوان گام اول در تشخيص مي باشد كه افزون بر زمان بر بودن ممكن است توسط پزشكان مختلف تشخيص هاي متفاوتي داده شود. هدف از انجام مطالعه حاضر ارايه روشي خودكار در قطعه بندي تومور و نواحي داخلي آن مي باشد.
روش بررسي
اين يك مطالعه بنيادي-كاربردي است كه از ارديبهشت 1399 تا شهريور 1400 و بر روي تصاوير مولتي مداليتي MRI 285 بيمار مبتلا به تومور گليوما از پايگاه داده BraTS 2018 انجام گرفت. در اين مطالعه، معماري U-Net دو بعدي با روش مبتني بر تكه (Patch-based)، شامل يك مسير رمزگذاري جهت استخراج ويژگي ها و يك مسير رمزگشايي متقارن طراحي گرديد. آموزش اين شبكه در سه مرحله مجزا با استفاده از داده هاي گليوما درجه بالا (High grade glioma)، گليوما درجه پايين (Low grade glioma) و تركيب دو گروه به ترتيب با تعداد 210، 75 و 220 بيمار انجام شد.
يافته ها
مدل پيشنهادي نتايج ضريب دايس در مجموعه داده هاي HGG،0/85،0/85،77/0، مجموعه داده هاي LGG 0/80، 0/66، 0/51 و تركيب دو گروه، 0/88، 0/79، 0/77 به ترتيب براي نواحي كل تومور، هسته تومور و ناحيه افزايش يافته در داده هاي آموزش برآورد نمود.
نتيجه گيري
با استفاده از شبكه U-Net مي توان در قطعه بندي دقيق تومور و نواحي مختلف آن كمك شاياني به پزشكان انجام داد، همچنين با تشخيص دقيق و درمان زودهنگام نرخ بقاي اين بيماران را افزايش داد و كيفيت زندگي آنها را بهبود بخشيد.
چكيده لاتين :
Glioma is the most common primary brain tumor, and early detection of
tumors is important in the treatment planning for the patient. The precise segmentation
of the tumor and intratumoral areas on the MRI by a radiologist is the first step in the
diagnosis, which, in addition to the consuming time, can also receive different
diagnoses from different physicians. The aim of this study was to provide an automated
method for segmenting the tumor and intratumoral areas.
Methods: This is a fundamental-applied study that was conducted from May 2020 to
September 2021 using multimodal MRI images of 285 patients with glioma tumors
from the BraTS 2018 Database. This database was collected from 19 different MRI
imaging centers, including multimodal MRI images of 210 HGG patients, and 75 LGG
patients. In this study, a 2D U-Net architecture was designed with a patch-based
method for training, which comprises an encoding path for feature extraction and a
symmetrical decoding path. The training of this network was performed in three
separate stages, using data from high-grade gliomas (HGG), and low-grade gliomas
(LGG), and combining two groups of 210, 75, and 220 patients, respectively.
Results: The proposed model estimated the Dice Similarity Coefficient (DSC) results in
HGG datasets 0.85, 0.85, 0.77, LGG datasets 0.80, 0.66, 0.51, and the combination of
the two groups 0.88, 0.79, 0.77 for regions the whole tumor, tumor core, and enhancing
region in the training dataset, respectively. The results related to Hussdorf Distance
(HD) for HGG datasets were 8.24, 9.92, 4.43, LGG datasets 11.5, 11.31, 2.23, and the
combination of the two groups 7.20, 8.82, 4.43 for regions the whole tumor, tumor
core, and enhancing region in the training dataset, respectively.
Conclusion: Using the U-Net network can help physicians in the accurate segmentation
of the tumor and its various areas, as well as increase the survival rate of these patients
and improve their quality of life through accurate diagnosis and early treatment.
