ارزیابی صحت تشخیصی DWI و DCE-MRI جهت افتراق تودههای بدخیم و خوشخیم پستان بر اساس رویکرد آموزش ماشینی یا machine learning approach بر روی بیماران مراجعهکننده به بیمارستان امام خمینی بین سالهای ۱۳۹۹ تا ۱۴۰۰
[پایان نامه]
علیرضا وطنخواه
دانشگاه علوم پزشکی تهران، دانشکده پزشکی
۱۴۰۱
۷۰ص
دکتری تخصصی
رادیولوژی
۱۴۰۱/۰۸/۲۴
مقدمه و هدف: سرطان پستان یکی از خطرناکترین نوع بیماریها است و تشخیص این سرطان در مرحله اول به نجات جان انسان کمک میکند زیرا میتواند درمان بالینی بهموقع را برای بیماران ترویج دهد. طبقهبندی دقیق بیشتر تومورهای خوشخیم میتواند از درمانهای غیرضروری بیماران جلوگیری کند. در این مطالعه عملکرد تشخیصی مدلهای Pyradiomics تصویربرداری MRI چند پارامتری بهمنظور تشخیص ضایعات خوشخیم و بدخیم پستان بررسی گردید. روش کار: تصاویر DWI و DCE-MRI از 130 بیمار زن دارای ضایعات پستان (61 ضایعه خوشخیم و 69 ضایعه بدخیم) متشکل از مجموعه دادههای DCE و T2w و ADC ارزیابی شد. جریان کار آموزش ماشین، در زبان برنامهنویسی پایتون شامل تعیین ROIگذاری، استخراج ویژگیها، روشهای ارزیابی ویژگیها و طبقهبندی آنان بود. در فرایند انتخاب ویژگیها از الگوریتم RFE در آنالیز 2 بعدی استفاده شد. 9 طبقهبندی برای تمایز ضایعات خوشخیم و بدخیم آزمایش شدند. عملکرد طبقهبندی انجام شده با آزمون ROC ارزیابی شد. یافته ها: نتایج نشان داد بر اساس ویژگیهای تصاویر اصلی MRI، 2 طبقهبندی شامل Bagging و Voting ensemble بالاترین سطح زیر منحنی (AUC) به دست آوردند که دقت، ویژگی، حساسیت و سطح زیر منحنی ROC در روش Bagging به ترتیب 0.82، 0.88، 0.81 و 0.84 و در روش Voting ensemble به ترتیب 0.82، 0.88، 0.84 و 0.80 بود. همچنین بر اساس تصاویر اصلی به همراه تصاویر موجک در طبقهبندی Decision Tree بالاترین دقت تشخیص به دست آمد که به ترتیب دقت، ویژگی، حساسیت و سطح زیر منحنی ROC برابر با 0.85، 0.85، 0.85 و 0.85 بود.نتیجه گیری: بهطورکلی ادغام روشهای آموزش ماشین در تصاویر DWI و DCE-MRI دارای عملکرد تشخیصی بالایی در تمایز ضایعات خوشخیم و بدخیم دارد.