ارائه کننده: پویا مظلومی
استاد راهنما: دكتر توكتم خطيبي
استاد داور داخلي: دكتر محمدمهدي سپهري
استاد داور خارج از دانشگاه: دكتر ساناز زرگر
نماينده تحصيلات تكميلي: دكتر محمدمهدي سپهري
تاریخ: 1402/11/16   
ساعت: 18:00
مكان: سايت دانشكده مهندسي صنايع و سيستم ها

چکیده:
 آستروسیتوما درجه پایین از شایع‌ترین تومورهای مغزی هستند که به آرامی رشد می‌کنند و در صورت ناکارآمد بودن درمان تبدیل به آستروسیتوما درجه بالا می‌شوند. میانگین بقا بیماران مبتلا به آستروسیتوما بین 7/4 تا 8/9 سال است. آستروسیتوماهای درجه پایین دارای نرخ بقای 5 ساله با احتمال 80 درصد هستند، در حالی که آستروسیتوماهای درجه بالا دارای نرخ بقای 5 ساله با احتمال زیر 5 درصد هستند. صرف نظر از درجه تومور، آستروسیتوماها به شدت نفوذپذیر و در برابر درمان مقاوم هستند. پرتودرمانی یکی از روش‌های موثر درمان پس از عمل جراحی است. در پرتو درمانی، اندازه گیری صحیح دوز برای جلوگیری از آسیب غیر‌ضروری به سلول‌های طبیعی بدن مهم است. این امر بر اهمیت تجویز دوز صحیح به منظور اطمینان از کارایی مطلوب با حداقل عوارض جانبی تأکید می‌کند.
این پژوهش به پیش‌بینی بهترین روش درمان بیماران مبتلا به آستروسیتوما مبتنی بر تحلیل تصاویر بیماران مغزی و مدل‌های متمایز‌کننده می‌پردازد. داده‎های مربوط به 33 بیمار از مرکز تصویربرداری مهدیه همدان جمع‎آوری شد. این داده‌ها شامل 2745 تصاویر ام‌آر‌آی بیماران مبتلا به آستروسیتوما درجه پایین در 3 جهت با رزولوشن 512×512 پیکسل به همراه مشخصات بالینی و مشخصات درمانی بیماران بود.
در این پژوهش دو مسئله رگرسیون و دسته‌بندی مورد بررسی قرار گرفت. هدف مسئله رگرسیون پیش‌بینی همزمان تعداد دوز تجویزی و تعداد جلسات درمانی هر بیمار است و در مسئله دسته‌بندی، هدف مسئله طبقه‌بندی، دسته‌بندی بیماران در 4 کلاس با توجه به میزان دوز تجویزی با استفاده از داده‌های گذشته است. با ترکیب مدل بینایی VIT و شبکه CNN، یک مدل قدرتمند استخراج ویژگی از تصاویر طراحی شد و سپس به کمک شبکه MLP و الگوریتم‌های SVM و Random Forest به حل مسائل رگرسیون و دسته‌بندی پرداخته شد.
با هدف ارزیابی و مقایسه نتایج مدل رگرسیون، نتایج مدل نرمال‌سازی شدند و مقادیر آن بین صفر و 1 قرار گرفت. بهترین نتایج مربوط به مدل CNN_VIT-b16 بود که توانست در مسئله پیش‌بینی تعداد جلسات پرتودرمانی به میانگین خطا مطلق 005/0 و امتیاز R2 993/0، در مسئله پیش‌بینی دوز تجویزی پرتودرمانی به میانگین خطا مطلق 0034/0 و امتیاز R2 998/0 و در مسئله دسته‌بندی به صحت 99/0 و امتیاز F1 99/0 بر روی داده‌های آزمون دست یابد.
در این پژوهش یک مدل کمک درماني با هدف طبقه‌بندی و پیش‌بینی تعداد جلسات و دوز تجویزی پرتودرمانی بیمار طراحی شد. دوز تجویزی و تعداد جلسات پرتودرمانی به سایز و نوع تومور و وضعیت کلی بیمار بستگی دارد که این موضوع پیچیدگی خاصی را در تعیین میزان دوز و تعداد جلسات تجویزی برای بیمار به وجود می‌آورد. با توجه به نتایج مطلوب مدل طراحی شده، اين مدل مي‌تواند به عنوان يک سيستم کمک تشخيصي، پزشکان و متخصصان را در درمان بيماران مبتلا به آستروسيتوما درجه پايين ياري کند.