فهرست مطالب لیزا اسکارپیس
-
در این مقاله، روش جدیدی برای پیش بینی نتیجه درمان تومور GBM با استفاده از داروی بواسیزوماب ارایه شده است. در این روش از شاخص های ناهمسانگردی انتشار و اطلاعات مکانی برای پیش بینی پاسخ هر یک از واکسل های ناحیه توموری به درمان استفاده شده است. شاخص های ناهمسانگردی (DAI) استفاده شده عبارتند از: ناهمسانگردی جزیی (FA)، متوسط انتشار (MD)، ناهمسانگردی نسبی (RA) و نسبت حجمی (VR) که از تصاویر تانسور انتشار (DTI) قبل از درمان استخراج شده است. اطلاعات مکانی بصورت فاصله هر واکسل توموری از مرکز تومور تعریف می شود که از تصاویر T1-Post Contrast(PC-T1) قبل از درمان استخراج می شوند. شاخص های ناهمسانگردی انتشار بهمراه اطلاعات مکانی به عنوان بردار ویژگی برای هر واکسل در نظر گرفته می شود. تصاویر DTI و PC-T1 از 7 بیمار دارای تومور GBM قبل و بعد از درمان جمع آوری شده است. ابتدا شاخص های ناهمسانگردی از همه واکسل های مغزی و فاصله هر واکسل توموری از مرکز ناحیه تومور محاسبه می شود. سپس نگاشت های DAI پیش از درمان و تصویر PC-T1 پس از درمان به تصویر PC-T1 قبل از درمان رجیستر می شود آنگاه با استفاده از روش آستانه گذاری، ناحیه توموری از تصاویر PC-T1 استخراج می شوند. سپس واکسل هایی که کنتراستشان با گادلینیم بهبود یافته است و متعلق به تصاویر PC-T1 قبل و بعد از درمان هستند، برای برچسب گذاری بردارهای ویژگی مورد مقایسه قرار می گیرند. در این روش سه طبقه بندی کننده مختلف را مورد ارزیابی قرار دادیم که عبارتند از: SVM، KNN و ANN. نتایج طبقه بندی نشان دادند که طبقه بندی کننده KNN بر اساس معیار های معروف دارای نتایج بهتری می باشد و نتایج درمان را برای هر واکسل بهتر پیش بینی می کند.کلید واژگان: GBM, پیش بینی نتیجه درمان, تصویربرداری تانسور انتشار, شاخص های انتشاری, اطلاعات مکانی, طبقه بندی}In this paper, we propose a method to predict the outcome of Bevacizumab therapy on Glioblastoma Multiform (GBM) tumors. The method uses diffusion anisotropy indices (DAI) and spatial information to predict the treatment response of each tumor voxel. These DAIs are Fractional Anisotropy, Mean Diffusivity, Relative Anisotropy, and Volume Ratio, extracted from Diffusion Tensor Imaging (DTI) data before treatment. 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 (pc-T1-MRI). DAIs and spatial information of each tumor voxel are considered as feature vector. DTI and pc-T1-MRI are gathered before and after the treatment of seven GBM patients. First, DAIs of all brain voxels and the distance of each tumor voxel from the tumor center are calculated. Second, the method registers pretreatment DAI maps and post-treatment pc-T1-MRI to pre-treatment pc-T1-MRI. Next, the tumor is segmented using thresholding technique from pc-T1-MRI. Then, Gd-enhanced voxels of the pre- and posttreatment pc-T1-MRI are compared to label the feature vectors. Three classifiers were evaluated, including Support Vector Machine, K-Nearest Neighbor, and Artificial Neural Network. Classification results show a preference for K-Nearest Neighbor based on well-established performance measures.Keywords: GBM, Treatment Prediction, DTI, Diffusion Anisotropy Indices, Classification}
بدانید!
- در این صفحه نام مورد نظر در اسامی نویسندگان مقالات جستجو می‌شود. ممکن است نتایج شامل مطالب نویسندگان هم نام و حتی در رشته‌های مختلف باشد.
- همه مقالات ترجمه فارسی یا انگلیسی ندارند پس ممکن است مقالاتی باشند که نام نویسنده مورد نظر شما به صورت معادل فارسی یا انگلیسی آن درج شده باشد. در صفحه جستجوی پیشرفته می‌توانید همزمان نام فارسی و انگلیسی نویسنده را درج نمایید.
- در صورتی که می‌خواهید جستجو را با شرایط متفاوت تکرار کنید به صفحه جستجوی پیشرفته مطالب نشریات مراجعه کنید.
©2000-2024 magiran.com All Rights Reserved.