تعیین عملکرد تشخیصی مرحله بندی تومور گلیوما بر پایه آنالیز رادیومیکس تصاویر ام آر آی
چکیده
خلاصه
مقدمه: یکی از چالشهای مهم در مرحله تشخیص بیماری گلیوما، تفکیک گرید پایین از گرید بالا از روی تصاویر ام آر آی می باشد. طبقه بندی گروه های تشخیصی بیماران از نظر مرحله بندی (grading ) بیماری می تواند تاثیر قابل توجهی بر فرآیند تشخیص،درمان و follow-up داشته باشد که این امر نیازمند روش های منطقی و شخصی سازی شده مختص به هر بیمار می باشد.
هدف: هدف از این مطالعه بهبود تمایز گرید دو و سه گلیوما از طریق بررسی رادیومیکس تصاویر ام ار ای از منظر رادیوتراپی می باشد.
مواد و روش کار: در این مطالعه تصاویر ام آر آی از 120 بیمار مبتلا به گلیوما شامل 60 مورد گرید دو و 60 مورد گرید سه از پایگاه داده موسسه ملی سرطان امریکا (www.cancer.gov )دریافت شد. در هر تصویر، حجم ناحیه تومورال توسط پزشک متخصص آنکولوژی رسم شده و به عنوان ناحیه ROI برای آنالیز و استخراج ویژگیهای مختلف انتخاب شد. سپس بوسیله نرم افزار متلب، اطلاعات کمّی ناحیه انتخاب شده مورد نظر شامل ویژگیهای برمبنای شدت یا هیستوگرام ،ویژگیهای بر مبنای شکل و هندسه ضایعه و ویژگیهای مرتبط به texture ناحیه از تصاویر استخراج شدند و درنهایت مدلسازی بر پایه متدهای یادگیری ماشین انجام شد و نتایج با گرید بیماری مقایسه شده، از لحاظ همبستگی تحلیل گشته و توانایی مجموعه ویژگیهای مذکور در تمایز بیماران گرید 2و3 موردارزیابی قرار گرفت.
یافته ها: نتایج این مطالعه نشان داد که استفاده از الگوریتم SVM همراه با استخراج ویژگی های رادیومیکس از نواحی GTV به عنوان یک متد کارآمد در تفکیک تومورهای گلیوما گرید 2و3 عمل میکند(AUC=0.900 ). همچنین استفاده از کرنل خطی در کنار الگوریتم SVM می تواند به نتایج بهتری منجر شود.
نتیجه گیری: آنالیز رادیومیکس تومورهای گلیوما براساس نواحی GTV و آموزش مدلهای SVM خطی میتواند منجربه تفکیک گلیوما گرید بالا از پایین با دقت و سرعت بالا شده و موجب ترغیب هرچه بیشتر پزشکان متخصص برای استفاده از روشهای بر پایه رادیومیکس در بالین شود.
کلید واژگان فارسی: تومورهای گلیوما، تصویربرداری تشدید مغناطیسی، رادیومیکس، یادگیری ماشین