عنوان پایان‌نامه
پیش بینی نتیجه درمان بیماران دارای تومور مغزی با داروی ضد تکوین عروق خونی ( بواسیزوماب ) به کمک تصاویر چند مدالیته ی تشدید مغناطیسی
- رشته تحصیلی
- مهندسی برق- مهندسی پزشکی - بیوالکتریک
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 44652;کتابخانه مرکزی پردیس 2 فنی شماره ثبت: E 1726
- تاریخ دفاع
- ۱۶ اسفند ۱۳۸۸
- دانشجو
- محمد نجفی
- استاد راهنما
- حمید سلطانیان زاده
- چکیده
- هدف از این پایان¬نامه ارائه دو روش مختلف برای پیش¬بینی نتیجه¬ی درمان در بیماران مبتلا به تومور مغزی GBM است. وجود چنین سیستمی می¬تواند برای بیماران بسیار حیاتی باشد، زیرا به کمک آن می¬توان با اطمینان بیشتری درمان خاصی را بر روی بیماران سرطانی اعمال کرد. هر دو روش ارائه شده بر پایه¬ی تصاویر چندپارامتری تشدید مغناطیسی هستند. در روش اول میزان کاهش نسبی در حجم ناحیه¬ی Contrast-enhanced (CE) تومور در تصاویر تشدید مغناطیسی T1-postContrast، به عنوان معیاری از میزان پاسخ¬دهی بیماران به درمان درنظرگرفته می¬شود و برای یافتن ویژگی¬های مرتبط با این معیار، از الگوریتم متعامدسازی تصاویر برای ایجاد تصاویر ویژه که حاوی ویژگی¬های مناسبی برای تحلیل هستند، استفاده می¬گردد. بر اساس این الگوریتم، تصاویر ویژه¬ی متعامد در راستای شدت¬های روشنایی که به دلخواه تعیین می¬شوند، به دست می¬آیند. سپس ویژگی¬های مناسب از نواحی CE محاسبه می¬گردند. در اینجا از ویژگی¬های آماری هیستوگرام¬های این ناحیه از تصاویر ویژه¬ی حاصل، استفاده می¬شود. برای یافتن مدل¬های پیش¬بینی هم از تحلیل رگرسیون خطی استفاده می¬شود. در نهایت در بهترین حالت با استفاده از تنها 4 ویژگی آماری میانگین، پراکندگی، عدم تقارن و کشیدگی، ضریب رگرسیون برابر با 91/0 به دست آمد. مقایسه¬ی نتایج به دست آمده با نتایج تعدادی از مهم¬ترین کارهای مشابه صورت گرفته، نشان¬دهنده¬ی کارآیی بالای روش ارائه شده است. همچنین در ادامه¬ی این روش، میزان تغییر حجم نواحی ادیما و نکروسیس در اثر درمان نیز بررسی می¬شود. در روش دوم از خود تصاویر ساختاری برای پیش¬بینی نتیجه¬ی درمان در هر پیکسل استفاده خواهد شد. ابتدا ویژگی¬های بر پایه¬ی هیستوگرام از همسایگی هر پیکسل به دست خواهند آمد. سپس با استفاده از این ویژگی¬ها و به کمک شبکه¬ی عصبی مصنوعی، الگوی بهبودی پیکسل¬ها شناسایی می¬شود. پس از اعمال آستانه¬ی صفر بر روی خروجی شبکه¬ی عصبی، نتیجه¬ی پیش¬بینی برای پیکسل¬های دارای خروجی 1- برابر با بهبودی و برای پیکسل¬هایی با خروجی 1+ ، عدم تأثیر درمان و باقی¬ماندن در ناحیه¬ی CE تومور است. طبق اطلاعات موجود در زمان نگارش این پایان¬نامه، این اولین کاری است که در آن به بررسی پیش¬بینی نتیجه¬ی درمان بر روی تک تک پیکسل¬های توموری پرداخته شده است. نتیجه¬ی به دست آمده برای میزان پیش¬بینی صحیح برای وضعیت پیکسل¬های توموری پس از درمان، برای سوژه¬ها به طور میانگین برابر با 8/63 درصد بود. واژگان کلیدی: GBM، پیش¬بینی نتیجه¬ی درمان، تصاویر چندپارامتری تشدید مغناطیسی، تصاویر ویژه¬ی متعامد، هیستوگرام، تحلیل رگرسیون، شبکه¬ی عصبی مصنوعی
- Abstract
- In this thesis, two different novel approaches for prediction of the outcome of brain tumor patients to the Bevacizumab therapy are proposed. Such a prediction system is helpful for decision making about the treatment plan. Both methods are based on Magnetic Resonance Images. In the first approach, the relative decrease in the size of Contrast-enhanced (CE) area of the tumor in 1-4 months after the treatment, is considered as a measure of response of the patients to the therapy. Composite images achieved by image orthogonalization algorithm are used for feature extraction. In this algorithm, grey-level intensities of the pixels of the composite images are in the direction of some specified grey-level vectors. Then 12 statistical features are computed using histogram analysis of the CE region of the composite images. Linear regression analysis is utilized for finding the appropriate prediction models of the response vs. extracted features. The prediction model was estimated using just 4 features with a high regression coefficient (R2=0.91, P<0.0002) comparing to the other methods in the literature review. In the second approach, the initial structural images are utilized for feature extraction. Besides, leaving the CE region is chosen as a sign of response for a pixel. Local histogram-based features are extracted from the neighborhood of each pixel. Then using these features and an Artificial Neural Network, the pattern of the treatment effect on the tumor pixels is recognized. After applying thresholding on the output of the ANN, pixels with an output of -1 are considered as responders while pixels with an output of +1 are regarded as non-responders. To the best of our knowledge, this work is the first study which predicts the outcome of the tumor pixels to the therapy. The average accuracy of the truly predicted pixels among all of the patients was 63.8%.
