طبقه بندی و تعیین درجه ی تومورهای گلیومای مغز با استفاده از تصاویر تشدید مغناطیسی و الگوریتم های یادگیری ماشین

 گلیوما، متداول ترین تومور مغزی اولیه در بزرگسالان است. قابلیت های فراوان یادگیری ماشین با استفاده از تصویربرداری تشدید مغناطیسی (Magnetic resonance imaging) MRI می تواند آن را به عنوان ابزاری کاربردی در تشخیص دقیق و به موقع تومورها برای کمک به پزشکان در زمینه های مختلف تشخیصی و درمانی تبدیل کند. هدف از این پژوهش، قطعه بندی و تعیین درجه ی تومورهای گلیوما با انواع الگوریتم های یادگیری به صورت خودکار می باشد.

این یک مطالعه ی بنیادی- کاربردی است که بر روی تصاویر مولتی مدالیته MRI، 285 بیمار مبتلا به تومور گلیوما از مجموعه ی داده ی چالش BraTS 2018 انجام شد. جهت طبقه بندی تومورهای گلیوما درجه بالا (High grade glioma) HGG و درجه پایین (Low grade glioma) LGG، ابتدا قطعه بندی با شبکه ی U-Net صورت گرفت، سپس طبقه بندی بر مبنای شبکه ی VGG16 برای تعیین درجه ی تومور به کار گرفته شد.

میانگین ضریب دایس (Dice) قطعه بند طراحی شده برای نواحی کل تومور، هسته ی تومور و ناحیه ی افزایش یافته به ترتیب 0/76، 0/70 و 0/71 به دست آمد. صحت طبقه بند پیشنهادی بر مبنای شبکه ی VGG 16 به منظور تعیین درجه ی تومور در دو گروه HGG و 99/01 LGG، درصد حاصل شد.

با استفاده از روش های یادگیری ماشین، می توان درجه ی تومور گلیوما را بدون استفاده از روش های تهاجمی همانند نمونه برداری مشخص و نرخ بقای این بیماران و کیفیت زندگی آ ن ها را بهبود بخشید.