عنوان پایان‌نامه
آنالیز تومور مغزی با استفاده از شاخص های ناهمسانگردی انتشار در تصویربرداری تانسور انتشار
- رشته تحصیلی
- مهندسی برق- مهندسی پزشکی - بیوالکتریک
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه دانشکده برق و کامپیوتر شماره ثبت: E1987;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 50728
- تاریخ دفاع
- ۰۹ آذر ۱۳۹۰
- دانشجو
- هادی صباحی
- استاد راهنما
- حمید سلطانیان زاده
- چکیده
- یکی از تومورهای سیستم عصبی مرکزی (CNS) انسان، Glioblastoma Multiforme (GBM) می‌باشد. داروی بواسیزوماب با نام تجاری آواستین، داروی مجازی می‌باشد که برای بیماران دارای تومور GBM نیز بکار می‌آید. تصویربرداری تانسور انتشار (DTI)، یکی از روش‌های تصویربرداری تشدید مغناطیسی است که برای بررسی ساختار مغز، شناسایی بیماری‌ها و تعیین ارتباطات ساختاری مغز مورد استفاده قرار می‌گیرد. در این پژوهش در ابتدا سعی کردیم که به مطالعه تغییرات شاخص‌های انتشاری تومور گلیوبلاستوما مانند FA و MD در طول زمان و همچنین کاهش حجم ناحیه توموری به عنوان معیار درمان بپردازیم. با توجه به نتایج بدست آمده متوسط شاخص FA در طی زمان تغییر زیادی نمی‌کند ولی متوسط شاخص MD در طول زمان کاهش می‌یابد. همچنین حجم تومور در طول دوره درمان کاهش چشمگیری یافته است. در ادامه به ایجاد سیستمی هوشمند برای پیش‌بینی نتیجه درمان هر کدام از واکسل‌های ناحیه توموری با استفاده از ویژگی‌های انتشاری پرداختیم. در این روش از داده‌های DTI و Post-contrast T1-MRI مربوط به 14 بیمار دارای تومور GBM استفاده کرده‌ایم که قبل و بعد از درمان جمع آوری شده‌اند. ویژگی‌های انتشاری هر واکسل در ناحیه توموری بمنظور آموزش طبقه‌بندی کننده‌ها (ANN، KNN، SVM و ANFIS) استفاده می‌شود. بر اساس نتایج، ANFIS قادر است با دقت 57.21% به پیش‌بینی نتیجه درمان واکسل‌ها بپردازد. در ادامه پژوهش برای ارتقا کیفیت پیش‌بینی از ویژگی‌های مکانی هر واکسل نیز استفاده نمودیم. ویژگی مکانی بکار گرفته شده بصورت فاصله هر واکسل توموری از مرکز ناحیه تومور تعریف می‌شود. سپس با استفاده از ویژگی‌های انتشاری و اطلاعات مکانی هر واکسل به آموزش طبقه‌بندی کننده‌ها (ANN، KNN، SVM و ANFIS) پرداختیم. با توجه به نتایج، KNN با دقت 65.12% نتیجه درمان واکسل‌ها را پیش بینی می‌کند. در انتها به پیش‌بینی نتیجه درمان با در نظر گرفتن ویژگی‌های کل ناحیه توموری پرداختیم. در این قسمت علاوه بر در نظر گرفتن کل ناحیه توموری بجای تک تک واکسل‌ها، از ویژگی‌های هیستوگرامی استخراج شده از تصاویر ویژه در کنار ویژگی‌های انتشاری و مکانی استفاده شده است. نتایج نشان می‌دهند که ویژگی‌های انتشاری و مکانی قادر هستند با دقت 65.12% نتیجه درمان تک تک واکسل‌ها را پیش‌بینی کنند ولی در پیش بینی نتیجه درمان کل ناحیه توموری، ویژگی‌های هیستوگرامی استخراج شده از تصاویر ویژه می‌توانند با دقت 75% نتیجه درمان را پیش‌بینی کنند. در ادامه با استفاده از مدل رگرسیون خطی به ارائه مدل‌هایی بر حسب ویژگی‌های مختلف برای پیش‌بینی نتیجه درمان پرداختیم. در مدل رگرسیون چندگانه نیز دیده شد که با استفاده از برخی ویژگی¬های هیستوگرامی، می¬توان با ضریب همبستگی 0.95 پاسخ بیماران به درمان را مدل کرد. واژه¬های کلیدی: GBM، بواسیزوماب، پیش¬بینی نتیجه¬ درمان مبتنی بر واکسل، تصویر برداری تانسور انتشار، شاخص‌های انتشاری، اطلاعات مکانی، شبکه‌های هوشمند.
- Abstract
- Glioblastoma Multiforme (GBM) is a type of tumor of human central nervous system. Bevacizumab is a recent treatment for preventing this tumor growth. Diffusion Tensor Imaging (DTI) is an important Magnetic Resonance (MR) imaging technique. It has been applied to characterize different microstructures such as various fibers of white matter in the human brain by tracking water diffusion. In the first part of this thesis, the treatment induced changes in DTI indices (Fractional Anisotropy (FA) and Mean Diffusivity (MD)) along the time are studied. Also changes of tumor volume are considered as treatment response. According to the results, the MD value and tumor volume decrease significantly over time, however, no significant change was observed in FA value. In the second part, a method to predict the effect of Bevacizumab therapy on each tumor voxel is introduced. The proposed method is developed and evaluated using DTI and post-contrast T1-weighted Images of 14 patients with GBM tumors gathered before and after the treatment. The proposed method uses diffusion anisotropy indices of all voxels in the tumor region to train 4 classifiers (ANN, SVM, KNN, and ANFIS). Experimental results show that the ANFIS is more accurate than the other classifiers which can predict the treatment response of each tumor voxel with 57.21% accuracy. In third part, in order to improve the proposed method, spatial information of each tumor voxel is applied beside the diffusion anisotropy indices. The spatial information is considered as the distance of each tumor voxel from the tumor center, extracted from pre-treatment post-contrast T1-weighted Magnetic Resonance Images. Four previous classifiers are evaluated. Classification results show a preference for K-Nearest Neighbor which can predict the treatment response of each tumor voxel with 65.12% accuracy. Then, the outcome of the whole brain tumor to the Bevacizumab therapy is predicted using diffusion anisotropy indices, spatial information and statistical features (17 features). The statistical features are computed using image orthogonalization algorithm. According to experimental results, statistical features can predict the outcome of the whole brain tumor with 75% accuracy which is higher than other features. Finally, the treatment response is modeled using Linear Regression Model and different features. The prediction model is estimated using some statistical features with a high regression coefficient (95%). Keywords: GBM, Bevacizumab therapy, DTI, Voxel based prediction, diffusion anisotropy indices, spatial information, Artificial Intelligence.
