جلسه دفاع پایان نامه: فاطمه بهزادی، گروه مهندسی صنایع
خلاصه خبر:
عنوان پايان نامه: ارائه مدلي براي طبقه بندي چند نمونه اي به منظور بهينه سازي درمان افراد مبتلا به آناپلاستيك آستروسيتوما براساس تصويركاوي
ارائه کننده: فاطمه بهزادی 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: 15:00 مكان: كلاس 219 دانشكده فني و مهندسي
چکیده: سرطان، سونامی وحشتناکی است که امروزه حدود یک پنجم تمام مرگومیرهای جهان را به خود اختصاص داده است. شاید هیچ بافتی در بدن وجود نداشته باشد که از این ضایعات سرطانی در امان باشد و مغز نیز به عنوان یکی از ارگانهای مهم و حیاتی بدن به علت داشتن ویژگیهای خاص نظیر عملکرد، نحوه قرارگیری بافت مغز در فضای محدود جمجمه و همچنین عدم ترمیم سلولهای عصبی پس از تخریب و عوارض متعدد و مرگباری که وجود یک ضایعه فضاگیر در این ارگان میتواند بوجود آورد؛ نیازمند تحقیقات گستردهتری است. پس از سکتههای مغزی شایعترین علت مرگ در بیماران نورولوژیک تومورهای مغزی است. تومور مغزی گلیوما نوعی از تومور مغزی است که هم در مغز و هم در نخاع ممکن است ایجاد شود. طبق تحقیقات صورت گرفته حدود 33 درصد تمامی تومورهای مغزی تومور مغزی گلیوما است. انتخاب شیوه درمان تومور مغزی گلیوما به عوامل متعددی ازجمله نوع تومور، درجه تومور، سن بیمار، محل تومور وابسته است که شامل جراحی تومور مغزی گلیوما، پرتودرمانی(رادیوتراپی) و شیمی درمانی است که معمولا به صورت ترکیبی صورت میگیرد. در این تحقیق به بررسی نوع درجه سوم تومور مغزی به نام آناپلاستیک آستروسیتوما (AA) براساس تصویربرداری رزونانس مغناطیسی (MRI) پرداخته میشود؛ بنابراین مسئله تحقیق ارائه مدلی برای طبقهبندی چند نمونهای برای بهینهسازی درمان افراد مبتلا به آناپلاستیک آستروسیتوما براساس تصویرکاوی است. حدود 760 تصویر MRI افراد مبتلا به آناپلاستیک آستروسیتوما از مرکز مهدیه همدان دریافت گردید. تصاویر دارای رزولوشن 512*512*3 است. در این تحقیق سعی شده است با استفاده از تصاویر MRI و یادگیری عمیق سایز تومور تعیین و به کمک یادگیری ماشین میزان دوز رادیوتراپی افراد مبتلا به بیماری آناپلاستیک آستروسیتوما پیشبینی شود. در ابتدا با استفاده از یادگیری چند نمونهای و یک رمزگذار خودکار متغیر ویژگیهای تصویر استخراج و با یک شبکه عصبی رگرسیونی عمیق یکپارچهسازی شده است و در خروجی این شبکه سایز تومور در سه کلاس تعیین میشود؛ در گام بعد سایز تومور بدست آمده را به عنوان ورودی به یک جنگل تصادفی رگرسیونی داده و میزان دوز رادیوتراپی مورد نیاز بیماران را پیشبینی میکنیم. مقدار معیار ارزیابی مدل نهایی اجرا شده در این تحقیق مانند R2-Score و مقدار تابع هزینه MSE، MSLE، Total Loss به ترتیب برابر است با . در این تحقیق با ارائه یک مدل یادگیری چند نمونهای یک سیستم پزشکیار برای تعیین میزان دوز رادیوتراپی افراد مبتلا به آناپلاستیک آستروسیتوما پیشنهاد گردید.
