عنوان پایان‌نامه
توسعه الگوریتم پیش بینی نتیجه ی درمان بیماران دارای تومورمغزی با داروی ضدتکوین عروق خونی (بواسیزوماب ) به کمک تصاویر تشدید مغناطیسی
- رشته تحصیلی
- مهندسی برق- مهندسی پزشکی - بیوالکتریک
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه دانشکده برق و کامپیوتر شماره ثبت: E1935;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 50028
- تاریخ دفاع
- ۱۱ اسفند ۱۳۸۹
- دانشجو
- ندا بهزادفر
- استاد راهنما
- حمید سلطانیان زاده
- چکیده
- GBM یکی از بدخیم¬ترین انواع تومورهای مغزی است. وجود یک سیستم پیشگویی که بتواند میزان پاسخ بیماران مبتلا به GBM به یک درمان را تخمین بزند، در معالجه بسیار کمک خواهد کرد. هدف از این پایان¬نامه ارائه راهکاری برای پیش¬بینی پاسخ بیماران مبتلا به GBM به درمان است. با وجود چنین سیستمی با اطمینان بیشتری می¬توان درمان خاصی را بر روی بیماران سرطانی اعمال کرد. بررسی به کمک تصاویر ساختاری MRI شامل تصاویر با وزن T1, T2, T1-post و FLAIR صورت می¬گیرد. این پایان¬نامه از دو بخش تشکیل شده است. در بخش اول، تکرارپذیری پیش¬بینی نتیجه¬ی درمان تومورهای مغزی در روشی که قبلاٌ در دانشگاه تهران انجام شده بود؛ بررسی شد. در این راستا، تصاویر مربوط به 15 بیمار در مرحله¬ی قبل از درمان و مدتی پس از درمان مورد بررسی قرار گرفت و میزان کاهش نسبی حجم ناحیه¬ی Contrast- enhanced (CE) به عنوان معیاری از پاسخ بیماران به دارو در نظر گرفته شد. سپس الگوریتم تحلیل تصاویر ویژه بر روی تصاویر سری اول اعمال شد و آنها را به اجزای WM, GM و CSF تجزیه کرد. در ادامه با استفاده از تحلیل هیستوگرام، ویژگی¬های مناسب از ناحیه¬ی بدست آمده در قسمت قبل محاسبه شدند. برای یافتن مدل پیش¬بینی هم از تحلیل رگرسیون خطی استفاده شد.. این روش وابستگی زیادی به کاربر داشت. جهت کاهش نقش کاربر، این کار را برای هر بیمار 4 بار تکرار کرده و از میانگین نتایج بدست آمده برای آنالیز رگرسیون استفاده شد. . در بهترین حالت ضریب رگرسیون قابل توجه 0.86 بدست آمد. مقایسه این نتایج با نتایج کار قبلی انجام شده در دانشگاه تهران، نشان¬دهنده¬ی تکرارپذیری بالای این روش است. در بخش دوم پایان¬نامه، هدف حذف نقش کاربر و اتوماتیک کردن روش است. در این بخش روشی اتوماتیک جهت استخراج ناحیه¬ی توموری از تصاویر T1-post Contrast ارائه شده است. در ادامه با استفاده از یک طبقه¬بندی تصاویر اولیه WM,GM و CSF را ایجاد کرده و از آنها جهت تشکیل تصاویر ویژه استفاده می-کنیم. با این کار نقش کاربر کاملاٌ حذف می¬شود. در بهترین حالت ضریب رگرسیون 0.91 بدست آمد. کلمات کلیدی: GBM، بواسیزوماب، پیش¬بینی نتیجه¬ی درمان، تصاویر چندپارامتری تشدید مغناطیسی، تصاویر ویژه متعامد، تحلیل رگرسیون، فرآیند تکوین عروق خونی، روش اتوماتیک، هیستوگرام
- Abstract
- Glioblastoma Multiform is one of the most malignant types of brain tumors. A prediction system that estimates response of patients with GBM to treatment is helpful for decision-making. The purpose of this thesis is proposing a technique for predicting response of patients with GBM to treatment. With such a system, we can apply treatments with more confidence on cancer patients. Evaluation with the help of magnetic resonance imaging T1-Post, T2, T1, and FLAIR images. This thesis is composed of two sections. In the first section,reproducibility of predicting response of the brain tumors to avastin treatment by a technique developed previously at the University of Tehran is evaluated. To this end, images of 15 patients is studied before and after treatment and the relative decrease in the size of contrast-enhanced (CE) area of tumor is considered as a measure of response of patients to the therapy. Then, an Eigen image analysis algorithm is applied to the pre-treatment images to decompose them into cerebrospinal fluid (CSF), white matter (WM) and gray matter (GM) components. In the next step, appropriate features of obtained area in the previous step are extracted. Linear regression analysis is used for finding a prediction model. This method is highly dependent on user. In order to decrease the user’s role, we repeat this work 4times for each patient and use the obtained result’s average for regression analysis. In the best case, correlation coefficient between the extracted parameter from images and patient's response to treatment is 0.86. Comparing these results with the previous ones shows high reproducibility of this method.In the second section of this thesis, the purpose is to remove the user’s role and to automate of the method. A fully automatic method for extracting the tumor area of T1-post contrast images is proposed. Next, by using a classifier, we create primary CSF, WM and GM images and use them for generating finalEigen-images. This method completely removes user’s role. In the best case, the correlation coefficient is 0.91. Keywords: GBM, Bevacizumab, Prediction of Response, Magnetic Resonance Imaging, Eigenimage, Regression Analysis, Angiogenesis, Automatic Method, Histogram.
