قطعه بندی خودکار تومورهای گلیوما از مجموعه داده چالش BraTS 2018 با استفاده از شبکه U-Net دو بعدی

گلیوما (Glioma) متداول ترین تومور مغزی اولیه بوده و تشخیص به موقع تومور در برنامه ریزی درمان بیماران حایز اهمیت است. قطعه بندی دقیق تومور و نواحی داخلی آن در تصاویر تشدید مغناطیسی (Magnetic resonance imaging) توسط رادیولوژیست به عنوان گام اول در تشخیص می باشد که افزون بر زمان بر بودن ممکن است توسط پزشکان مختلف تشخیص های متفاوتی داده شود. هدف از انجام مطالعه حاضر ارایه روشی خودکار در قطعه بندی تومور و نواحی داخلی آن می باشد.

این یک مطالعه بنیادی-کاربردی است که از اردیبهشت 1399 تا شهریور 1400 و بر روی تصاویر مولتی مدالیتی MRI 285 بیمار مبتلا به تومور گلیوما از پایگاه داده BraTS 2018 انجام گرفت. در این مطالعه، معماری U-Net دو بعدی با روش مبتنی بر تکه (Patch-based)، شامل یک مسیر رمزگذاری جهت استخراج ویژگی ها و یک مسیر رمزگشایی متقارن طراحی گردید. آموزش این شبکه در سه مرحله مجزا با استفاده از داده های گلیوما درجه بالا (High grade glioma)، گلیوما درجه پایین (Low grade glioma) و ترکیب دو گروه به ترتیب با تعداد 210، 75 و 220 بیمار انجام شد.

مدل پیشنهادی نتایج ضریب دایس در مجموعه داده های HGG، 85/0، 85/0، 77/0، مجموعه داده های LGG، 80/0، 66/0، 51/0 و ترکیب دو گروه، 88/0، 79/0، 77/0 به ترتیب برای نواحی کل تومور، هسته تومور و ناحیه افزایش یافته در داده های آموزش برآورد نمود.

با استفاده از شبکه U-Net می توان در قطعه بندی دقیق تومور و نواحی مختلف آن کمک شایانی به پزشکان انجام داد، همچنین با تشخیص دقیق و درمان زودهنگام نرخ بقای این بیماران را افزایش داد و کیفیت زندگی آنها را بهبود بخشید.