عنوان
پدید آورنده
موضوع
رده
کتابخانه
محل استقرار
۹۸۷۴۵پ
فارسی
افتراق ضایعات مغزی بیماری مولتیپل اسکلروزیس(MS ) و بیماری عروق کوچک مغزی (SVD) با کمک تکنیک‌های هوش مصنوعی در ام ار آی مغز
[پایان نامه]
مهران عرب احمدی
دانشگاه علوم پزشکی تهران، دانشکده پزشکی
۱۴۰۱
۴۰ص.
دکتری تخصصی
رادیولوژِی
۱۴۰۱/۰۹/۲۶
۱۸
بیان مسئله: تشخیص مولتیپل اسکلروزیس (MS) در درجه اول مبتنی بر معاینه بالینی است، در حالی که توسط تصویربرداری رزونانس مغناطیسی (MR) که توسط رادیولوژیست های با تجربه ارزیابی می‌شود، پشتیبانی می‌شود. با این حال ویژگی‌های تصویربرداری معمول بیماری MS می‌تواند توسط سایر بیماری‌های سیستم اعصاب مرکزی تقلید شود. بیماری عروق کوچک مغزی (CSVD) یکی از این پاتولوژی‌هاست که ممکن است رادیولوژیست را در مورد تشخیص نهایی دچار مشکل کند. تشخیص افتراقی دشوار معمولاً هنگام شروع بیماری، هنگامی‌که گسترش نشانه¬ها و علائم در فضا و زمان وجود ندارد، بروز می‌کند. در نهایت، تشخیص اولیه هر دو بیماری برای شروع درمان مناسب از اهمیت بالایی برخوردار است.هدف این پایان نامه، طراحی، پیاده سازی و ارزیابی یک سیستم کمک تشخیصی بر اساس الگوی تصاویرMR با استفاده از ویژگی‌های بافتی و هوش مصنوعی و طراحی نرم افزار Automated، بررسی و افتراق تشخیصMS از SVD در تصاویر MRI می‌باشد. روش : در این مطالعه تصاویر MRI مغز که توسط دستگاه سه تسلا زیمنس در بیماران با تشخیص قطعی ام اس (هر چهار تایپ آن)(گروه مورد) در دو مرحله حمله حاد بیماری و بیمار فاقد علایم بالینی حمله ام اس، مراجعه کننده به مرکز تصویربرداری بیمارستان امام خمینی (ره) که معیارهای ورود به مطالعه را داشتند و بیمارانی که به دلایل دیگر در این مرکز MRI مغز انجام داده بودند و در شرح حال سابقه ابتلا به عوامل خطر بیماری‌های قلبی عروقی (diabetes mellitus، peripheral vascular disease ، coronary artery disease، cerebral vascular disease، hyperlipidaemia، (hypertension داشتند و توسط رادیولوژیست تشخیصcerebral small vessels disease (گروه شاهد) مطرح شده بود، در سکانس¬هایFLAIR وT 1بدون تزریق و T2 بدون تزریق مورد بررسی قرار گرفتند. تصاویر ام ار ای بیماران توسط رادیولوژیست با تجربه کاری حداقل ده سال در زمینه neuroimaging گزارش شده و حدود تمامی ضایعات white matter توسط رادیولوژیست و نرم افزار طراحی شده جهت سگمنتاسیون هوش مصنوعی مشخص شده است ، سپس داده‌های خروجی نیز توسط نرم افزار هوش مصنوعی طراحی شده از قبل بر اساس Machine learning مجددا آنالیز شده و بر اساس neural network و استفاده از تکنیک حدس و تشخیص بیمار بعدی بر اساس داده‌های مجموعه بیماران قبلی پرداخته و نتایج توسط نورورادیولوژیست و با توجه به تشخیص بیمار مجددا ارزیابی شدند و قدرت تشخیصی روش هوش مصنوعی با گلد استاندارد فعلی( مجموع معیارهای بالینی و تصویربرداری) بررسی شدند.یافته‌ها و نتیجه گیری : در این مطالعه تعداد80 مبتلا به بیماری ام اس، در مجموع تعداد265 ضایعه مغزی و67 مبتلا به بیماری عروق کوچک مغزی و 218 ضایعه SVD،مورد بررسی قرار گرفت. نتایج حاصل از این مطالعه نشان داد که الگوی هوش مصنوعی با حساسیت 78.57% و ویژگی 93.33% (P-value<0.05) و PPV 91.67و NPV 82.35 و Balanced Accuracy 85.95 و AUC 78.71 )90.48-102.2) توانایی افتراق تصاویر ام ار ای بیماران مبتلا به ام اس را از بیماری عروق کوچک مغزی صرفا بر اساس یافته‌های تصویربرداری را دارد.
ام. اس. (بیماری)
Multiple Seferosis
هوش مصنوعی
Artificial intelligence
مغز
Brain damage
-- ضایعات
a09
a09
a14
a14
a16
a16
بیماری عروق کوچک مغزی
ام ار ای
MRI
مولتیپل اسکلروزیس
SVD
، پدیدآور
عرب احمدی، مهران
، استاد راهنما
، استاد راهنما
، استاد مشاور
، استاد مشاور
فیروزنیا، کاووس
محمدزاده، مریم
هاشمی، حسن
عباس تبار، هدایت
دانشگاه علوم پزشکی تهران، دانشکده پزشکی
ایران
20230107
۱۴۰۳۰ت
دانشگاه علوم پزشکی تهران، کتابخانه دانشکده پزشکی
p
TF
92029
a
Y
