دوره 11، شماره 1 - ( 3-1403 )
جلد 11 شماره 1 صفحات 13-1 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Hedyehzadeh M, Yousefi M. Application of Machine Learning Methods to Predict the Survival Rate of Glioblastoma Patients Using MR Images. jhbmi 2024; 11 (1) :1-13
URL: http://jhbmi.ir/article-1-828-fa.html
URL: http://jhbmi.ir/article-1-828-fa.html
هدیه زاده محمدرضا، یوسفی مهدی. به‌کار‌گیری روش‌های یادگیری ماشین جهت پیشبینی میزان زنده ماندن بیماران گلیوبلاستوما با استفاده از تصاویر تشدید مغناطیسی. مجله انفورماتیک سلامت و زیست پزشکی. 1403; 11 (1) :1-13
دکترای مهندسی پزشکی، استادیار گروه مهندسی پزشکی، گروه مهندسی پزشکی، واحد دزفول، دانشگاه آزاد اسلامی، دزفول، ایران
چکیده: (603 مشاهده)
مقدمه: در این مطالعه روشی جهت پیشبینی خودکار میزان طول عمر بیماران مبتلا به تومور مغزی گلیوبلاستوما مبتنی بر روش‌های یادگیری ماشین و تصاویر MRI ارائه شده است.
روش کار: مجموعه داده مورد استفاده در این مطالعه، پایگاه داده BraTS 2017 با 163 نمونه است. هر نمونه از تصاویر پایگاه داده دارای چهار مدالیته مختلف تصویرگیری و همچنین اطلاعاتی نظیر میزان طول عمر کلی بیمار بر حسب روز و سن بیمار است. تصاویر مجموعه داده بر اساس طول عمر بیمار پس از درمان به سه دسته: کوتاه‌مدت، میان‌مدت و بلند‌مدت برچسب‌گذاری شده است. برای بهبود نتایج پیشبینی، انواع مختلفی از ویژگی‌ها استخراج و توسط روش‌های مختلف یادگیری ماشین، آموزش داده شدند. ویژگی‌های در نظر گرفته شده شامل ویژگی‌های بافت، حجمی، آماری و ویژگی‌های عمیق است. روش‌های یادگیری ماشین مورد استفاده شامل ماشین بردار پشتیبان، نزدیک‌ترین همسایه، آنالیز افتراق خطی و درخت تصمیم است.
یافته‌ها: بهترین صحت پیشبینی براساس طبقهبندی با استفاده از ویژگی‌های عمیق استخراج شده توسط یک شبکه عصبی کانولوشنال از پیش آموزش دیده و توسط روش آنالیز افتراق خطی به دست آمده است.
نتیجه‌گیری: روش‌های یادگیری عمیق قابلیت بالایی در تخمین پارامترهای مهم پزشکی مانند میزان زنده ماندن افراد مبتلا به سرطان دارند.
روش کار: مجموعه داده مورد استفاده در این مطالعه، پایگاه داده BraTS 2017 با 163 نمونه است. هر نمونه از تصاویر پایگاه داده دارای چهار مدالیته مختلف تصویرگیری و همچنین اطلاعاتی نظیر میزان طول عمر کلی بیمار بر حسب روز و سن بیمار است. تصاویر مجموعه داده بر اساس طول عمر بیمار پس از درمان به سه دسته: کوتاه‌مدت، میان‌مدت و بلند‌مدت برچسب‌گذاری شده است. برای بهبود نتایج پیشبینی، انواع مختلفی از ویژگی‌ها استخراج و توسط روش‌های مختلف یادگیری ماشین، آموزش داده شدند. ویژگی‌های در نظر گرفته شده شامل ویژگی‌های بافت، حجمی، آماری و ویژگی‌های عمیق است. روش‌های یادگیری ماشین مورد استفاده شامل ماشین بردار پشتیبان، نزدیک‌ترین همسایه، آنالیز افتراق خطی و درخت تصمیم است.
یافته‌ها: بهترین صحت پیشبینی براساس طبقهبندی با استفاده از ویژگی‌های عمیق استخراج شده توسط یک شبکه عصبی کانولوشنال از پیش آموزش دیده و توسط روش آنالیز افتراق خطی به دست آمده است.
نتیجه‌گیری: روش‌های یادگیری عمیق قابلیت بالایی در تخمین پارامترهای مهم پزشکی مانند میزان زنده ماندن افراد مبتلا به سرطان دارند.
واژه‌های کلیدی: مدت زمان زنده ماندن، یادگیری عمیق، گلیوبلاستوما، طبقهبندی، تصویربرداری تشدید مغناطیسی
نوع مطالعه: پژوهشي اصیل |
موضوع مقاله:
هوش مصنوعی در حوزه سلامت
دریافت: 1402/9/10 | پذیرش: 1403/1/21
دریافت: 1402/9/10 | پذیرش: 1403/1/21
فایل صوتی [MP3 2873 KB] (33 دریافت)
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
