استفاده از شبکه های عمیق LSTM در تفسیر فارماکوکنتیک تصاویر دینامیک تشدید مغناطیسی

تخمین پارامتر از دنباله های زمانی مانند سیگنال های حیاتی ، تصویربرداری های پزشکی پویا و...کاربرد های فراوانی در حوزه های پزشکی و غیر پزشکی دارد. به دلیل پیچیدگی و هزینه محاسباتی که در مدل سازی های ریاضی برای تخمین این پارامتر ها وجود دارد استفاده از شیوه ای نوین که بتواند به سادگی این پارامتر ها را با کمترین خطا و دقتی قابل قبول تخمین بزند مورد توجه پژوهشگران بوده است ، یکی از این روش ها استفاده از روش های مبتنی بر هوش مصنوعی از جمله شبکه های عصبی عمیق LSTM می باشد که برای تحلیل دنباله های زمانی ارائه شده است . در این پژوهش قصد داریم برای اولین بار به کمک یک سری دنباله های زمانی شبیه سازی شده با توجه به مدل ریاضی تافت ، یک شبکه LSTM به منظور تحلیل آنها و تخمین پارامترهای فارماکوکنتیک این سیگنال ها آموزش داده شود به نحوی که بتوان شبکه حاصل را برای ارزیابی و تحلیل فارماکوکنتیک تصاویر DCE-MRI بیماران به کار گرفت . علاوه بر این شبکه طراحی شده می تواند ابتدا مدل فارماکوکنتیک مناسب هر پیکسل را انتخاب و سپس پارامترهای مناسب آن مدل را تخمین بزند. نتایج حاصل نشان داده است که شبکه آموزش دیده می تواند با دقت خوبی این وظیفه را انجام دهد.