فرزانه دهقانی - کارشناسی ارشد مهندسی پزشکی، دانشکده فنی و مهندسی - دانشگاه اصفهان - اصفهان - ایران
حسین عربی - دانشیار پژوهشی، بخش تصویربرداری پزشکی هسته ای- بیمارستان دانشگاه ژنو- دانشگاه ژنو- ژنو-سوئیس
علیرضا کریمیان - دانشیار، گروه مهندسی پزشکی، دانشکده فنی و مهندسی - دانشگاه اصفهان – اصفهان – ایران

بخش بندی تومور مغزی گامی مهم در تشخیص بیماری و روند درمان است. بخش بندی دستی تومورهای مغزی روشی زمان بر است. هدف از این مطالعه، بخش بندی خودکار تومور مغزی تصاویر MRI و بررسی میزان دقت توالی های مختلف MRI در بخش بندی تومور مغزی است. برای این منظور، از تصاویر موجود در پایگاه داده BRATS استفاده شده است. برای آموزش شبکه، ۳۱۰ تصویر MRI در چهار توالی T۱W، T۱ce، T۲W و FLAIR و همچنین، تصاویر بخش بندی شده مرجع استفاده شدند. در این مرحله از شبکه عصبی یادگیری عمیق ResNet استفاده شد. پس از آموزش شبکه، عملیات بخش بندی روی ۶۰ تصویر MRI آزمایش انجام شد. با توجه به نتایج به دست آمده از پارامتر شباهت، توالی FLAIR عملکرد بهتری نسبت به سایر توالی ها به منظور بخش بندی تومور مغزی داشته است. مقدار این پارامتر برای FLAIR برابر با ۱۰/۰ ± ۷۷/۰ است؛ در حالی که مقدار آن برای T۱W، T۲W و T۱ce به ترتیب برابر با ۱۲/۰ ± ۷۳/۰، ۱۵/۰ ± ۷۳/۰ و ۱۷/۰ ± ۶۲/۰ است. همچنین، توالی FLAIR حساسیت بیشتری برای بخش بندی تومور مغزی داشته و مقدار آن برابر با ۱۲/۰ ± ۸۳/۰ است. براساس نتایج این مطالعه، FLAIR توالی قابل اعتمادتری نسبت به سایر توالی ها برای بخش بندی تومور مغزی است.

بخش بندی تومور, MRI, شبکه عصبی عمیق