عنوان
پدید آورنده
موضوع
رده
کتابخانه
محل استقرار
۹۳۱۴۶پ
فارسی
فارسی
تفکیک نواحی مختلف تومورهای گلیوبلاستوما مالتی فرم مغزی در تصویربرداری تشدید مغناطیسی مولتی-پارامتریک (DWI/PWI/T2/MRS) با استفاده از روش کلاس بندی چند متغیره
[پایان نامه]
آناهیتا فتحی کازرونی
دانشگاه علوم پزشکی تهران، دانشکده پزشکی
۱۳۹۷
۹۸ص.
جدول،نمودار
سی دی
دکتری تخصصی(PHD)
مهندسی پزشکی
مقدمه: تومورهای گلیوما انتشاری تغییرات مکانی و زمانی زیادی از خود بروز می دهند که موجب پایین بودن امید به زندگی بیماران مبتلا به تومورهای گلیوما می شود. شناسایی و تفکیک نواحی مختلف گلیوما برای ارزیابی پروگنوز بیمار و میزان پاسخ دهی به درمان طراحی شده بسیار مؤثر است. اخیرا ثابت شده است که بخشی از تومور بر روی تصاویر متداول مشخص نمی شود و همچنین تشخیص میزان تهاجم سلول های تومور به بافت ظاهرا سالم اطراف با این تصاویر ممکن نیست. در نتیجه، روش های بخش بندی بر اساس تصویربرداری های متداول کارایی ندارند و می بایست از تصویربرداری فیزیولوژیکی مانند پرفیوژن، دیفیوژن و غیره برای ارزیابی دقیق تومورهای گلیوما استفاده شود.هدف: در این پایان نامه، با هدف تفکیک نواحی تومورهای گلیوما، شامل نواحی تومور فعال، ادم انفیلتراتیو، نکروز و بافت سالم، با استفاده از تصویربرداری مولتی-پارامتریک ام.آر.آی. و بر اساس یافته های تایید شده توسط ارزیابی پاتولوژی بود.روش اجرا: در این مطالعه 10 بیمار برای تصویربرداری معرفی شدند و تحت عمل بیوپسی قرار گرفتند که از آن میان 34 نمونه پاتولوژی از 7 بیمار با توجه به عدم وجود آرتیفکت در تصویربرداری، در مطالعه لحاظ شدند. روند بهینه ای از تصویربرداری مولتی-پارامتریک—جراحی نویگیشن—پاتولوژی طراحی و اجرا شد. از روش های شناسایی الگو برای ارزیابی میزان قابلیت هر یک از تصویربرداری های ام.آر.آی.، طبقه بندی پیکسل به پیکسل تصاویر و جداسازی نواحی از یکدیگر استفاده شد. در ابتدا، بر روی نواحی نمونه برداری شده طی بیوپسی، ناحیه موردنظر برای تحلیل تصاویر انتخاب شد و این ناحیه بر روی تصاویر و نقشه های کمّی به دست آمده از تصاویر مولتی-پارامتریک ام.آر.آی. قرار گرفت و ویژگی های تصویربرداری استخراج شدند. ویژگی های استخراج شده عبارت از پارامترهای T2-ISO, T2-FLAIR, T1_SUB (از تصویربرداری متداول)، CBV (از تصویربرداری PWI)، ADC (از DWI)، Q, P, FA, MD (از DTI)، K, f, D*, D (از IVIM) و T2-map, PD-map (از T2-mapping) بودند (مجموعا 15 ویژگی). روش های انتخاب ویژگی AIC و BIC بصورت Forward, Backward, Stepwise (تشکیل دهنده 6 روش انتخاب ویژگی) برای انتخاب بهترین ترکیب پارامترها استفاده شدند و روش های طبقه بندی LDA، QDA و SVM برای دسته بندی نتایج به سه ناحیه تومور فعال، ادم انفیلتراتیو و بافت سالم، استفاده شدند. همچنین، به منظور بررسی ارتباط میان یافته های تصویربرداری و مشخصات بافت در سطح سلولی، از تصاویر هیستوپاتولوژی ویژگی های کمّی استخراج شد.یافته ها: ارزیابی های انجام شده نشان داد که ترکیب چهارتایی T2-ISO, FLAIR, CBV, ADC با استفاده از طبقه بند QDA بهترین نتیجه را در تفکیک نواحی مذکور از یکدیگر ارائه می دهد (عملکرد تشخیصی 95%). این ترکیب برای بخش بندی نواحی توموری برای تصاویر بیماران مورد استفاده قرار گرفت. قابل ذکر است که این ترکیب در ارزیابی اولیه این پایان نامه و ارائه روش بخش بندی بر اساس دانش رادیولوژی مورد استفاده قرار گرفت و دقت افتراقی بالاتر از 80% برای همه نواحی را ایجاد نمود. از میان یافته های تصویربرداری، پارامتر CBV، D، MD، FA و P ارتباط شاخصی با پارامتر کمّی تعداد سلول ها (محاسبه شده از هیستوپاتولوژی) نشان دادند. نتیجه گیری: با استفاده از ترکیب چهار پارامتر تصویربرداری می توان به دقت بالای تفکیک و شناسایی نواحی مختلف توموری شامل تومور فعال، ادم انفیلتراتیو، نکروز و بافت سالم دست یافت. روند طراحی شده در این پایان نامه، می تواند برای تهیه نقشه احتمالاتی تهاجم تومور پیش از عمل جراحی و راهنمایی بیوپسی برای دست یافتن به بالاترین دقت و در عین حال وارد کردن کمترین اسیب به بیماران مورد استفاده قرار بگیرد.
تصویر‌نگاری تشدید مغناطیسی
Magnetic resonance imaging
تجزیه و تحلیل چند متغیره
Multivariate analysis
a12
a12
a17
a17
تومورهای گلیوما
افتراق درون توموری
تصویربرداری ام.آر.آی.
تصویربرداری مولتی پارامتریک
Multi-parametric MRI
Glioblastoma Multiforme
ام.آر.آی. مولتی پارامتریک
تومورهای گلیوبلاستوما
، پدیدآور
فتحی کازرونی، آناهیتا
، استاد راهنما
، استاد راهنما
، استاد مشاور
، استاد مشاور
سلیقه دار، حمیدرضا
زینلی زاده، مهدی
فیروزنیا، کاووس
فرنگی، الخاندرو
دانشگاه علوم پزشکی تهران، دانشکده پزشکی
ایران
20230223
۱۷۱۷ف
دانشگاه علوم پزشکی تهران، کتابخانه دانشکده پزشکی
p
TF
92029
a
Y
