کاربرد رادیومیک ها در تشخیص و درمان تومورهای مغزی

دانلود مقاله درمورد کاربرد رادیومیک ها در تشخیص و درمان تومورهای مغزی

83 صفحه word – قابل ویرایش + دارای منابع و قابل ارائه

مناسب رشته مهندسی پرتوپزشکی

فهرست مطالب :

• فصل اول-ادبیات تحقیق
• 1-1-مقدمه
• 2-1-آناتومی مغز
• 3-1-تومورهای مغزی
• 4-1-رادیومیک
• 5-1-نرم افزار استخراج ویژگی
• 6-1-روش های انتخاب ویژگی
• 7-1-یادگیری ماشین
• 8-1-یادگیری عمیق
• 1-8-1-شبکه های عصبی کانولوشنی
• 2-8-1-درخت تصمیم
• 3-8-1-جنگل تصادفی
• 4-8-1-رگرسیون لجستیک
• 9-1-ارزیابی مدل: منحنی عملکرد مشخصه مدل
• فصل دوم: پیشینه تحقیق
• 1-2- رادیومیک های مبتنی برPET/MRI
• 1-1-2-تعیین تکثیر تومور در گلیوما
• 2-1-2-تمایز درجات تومور3-1-2-تمایز عود تومور مغزی از تغییرات درمان
• 2-2-تهیه تصاویر پزشکی
• 3-2-بازسازی و پیش پردازش تصویر
• 4-2-تقسیم بندی تصاویر
• 5-2-استخراج ویژگی ها
• 6-2-اعتبارسنجی رادیومیک ها
• 7-2-آنالیز ویژگی ها
• 8-2-مدل کلاسیفر
• 1-8-2-مدل های یادگیری عمیق
• 9-2-رادیومیک های در اعمال بالینی
• 10-2-هوش مصنوعی و رادیومیک
• 11-2-تخمین بقا به کمک رادیومیک ها
• 12-2-کاربرد رادیومیک و یادگیری ماشین در پرتودرمانی
• 13-2-رادیومیک های مبتنی بر یادگیری عمیق و شبکه CNN
• 1-13-2-تعیین وضعیت متیلاسیون پروموترMGMT
• 2-13-2-تقسیم بندی تصویر و ترسیم برنامه ریزی حجم های هدف
• 3-13-2-پیش بینی محل عود موضعی پس از رادیوتراپی
• 14-2-آنالیزهای رادیومیکی برای طبقه بندی تومور مغزی
• 15-2-رادیومیک های عمیق برای تشخیص تومور مغزی
• 16-2-تمایز تومورهای مغزی بدخیم با کمک ویژگی های رادیومیک
• 17-2- رادیومیک ها با طبقه بندی جنگل تصادفی
• 18-2- شبکه های سه بعدی و پیش بینی بقا با رادیومیک
• 19-2-رادیومیک یادگیری و تمایز گلیوبلاستوما از متاستاز مغزی
• 20-2-پیش بینی پاسخ تومور متاستاتیک توسط رادیومیک یادگیری
• 21-2-طبقه بندی کننده های یادگیری ماشین رادیومیک ماشین رادیومیک
• 22-2-تجزیه و تحلیل رادیومیک در عمل میکرواسکولاریزاسیون
• 23-2- نشانگرهای زیستی نوظهور مبتنی بر رادیومیک
• فصل سوم: نتیجه گیری
• 1-3-جمع بندی
• 2-3-نتیجه گیری کلی
• منابع
• و…

دارای فهرست شکل و جدول میباشد…

چکیده ای از این مقاله :

تشخیص زودهنگام و فرایندهای درمانی بهینه و کم هزینه سرطان از اهمیت ویژه ای برخوردارند.تفاوت‌های ژنتیکی افراد و انواع سرطان منجر می‌شود که تمام افراد پاسخ یکسانی به یک بیماری و یا درمان آن ندهند. از این رو لازم است تا روش‌های مراقبتی و درمانی شخصی سازی شوند. یکی از مهمترین ابزارها در تشخیص سرطان تصویربرداری غیرتهاجمی است.مدلیته های تصویربرداری مختلف این توانایی را دارند که جنبه های مختلفی از آناتومی و فیزیولوژی بافت های موردبررسی را به تصویر بکشند. از این رو می توان با انجام پردازش های کمّی بر روی این تصاویر اطلاعات مختلفی را از این تصاویر استخراج کرد. دو رویکرد برای استخراج ویژگی از بافت تومور وجود دارد: طراحی ویژگی و یادگیری ویژگی. می توان مشخصات فنوتیپی تاثیرگذار بیمار و بیماری وی را از روی تصاویر پزشکی کمی سازی کرد. به این کار اصطلاحاً «تصویربرداری کمّی یا رادیومیک» گفته می‌شود. طراحی ویژگی های کمّی بسیار زمانبر است و نیاز به قطعه‌بندی حجم تومور دارد که خود این امر چالش‌های جدیدی را به مسئله اضافه می‌کند. ویژگی های رادیومیک، با هدف استخراج تعداد زیادی از ویژگی‌های کمی از تصاویر پزشکی مورد استفاده قرار می گیرند و توانایی شناسایی برخی از مشخصه‌های بیماری که با چشم غیرمسلح قابل مشاهده و تشخیص نیست را دارند.هدف از این پژوهش بررسی کاربردهای رادیومیک ها در تشخیص و درمان تومورهای مغزی است.

نمایی از این مقاله :