عنوان
پدید آورنده
موضوع
رده
کتابخانه
محل استقرار
NATIONAL BIBLIOGRAPHY NUMBER
Number
۹۸۸۰۰پ
LANGUAGE OF THE ITEM
.Language of Text, Soundtrack etc
فارسی
TITLE AND STATEMENT OF RESPONSIBILITY
Title Proper
ناحیه بندی (segmentation) درگیری روده‌ای با استفاده از همجوشی (fusion) سکانس‌های MR انتروگرافی در بیماران کرون مراجعه‌کننده به بیمارستان شریعتی طی سال‌های ۱۳۹۴-۱۳۹۸
General Material Designation
[پایان نامه]
First Statement of Responsibility
راضیه خزایی
.PUBLICATION, DISTRIBUTION, ETC
Name of Publisher, Distributor, etc.
دانشگاه علوم پزشکی تهران، دانشکده پزشکی
Date of Publication, Distribution, etc.
۱۴۰۱
PHYSICAL DESCRIPTION
Specific Material Designation and Extent of Item
۷۶ص.
DISSERTATION (THESIS) NOTE
Dissertation or thesis details and type of degree
دکتری تخصصی
Discipline of degree
رادیولوژی
Date of degree
۱۴۰۱/۰۹/۳۰
Text preceding or following the note
۱۸
SUMMARY OR ABSTRACT
Text of Note
مقدمه: بیماری کرون یک بیماری التهابی مزمن دستگاه گوارش است و علت آن ناشناخته می باشد. بنا به گزارش شبکه ملی تحقیقات بیماری‌های التهابی روده ایران در ایران در حدود 40000 نفر مبتلا به این بیماری باشند.روند درمانی و کنترل و ارزیابی این بیماری بسیار اهمیت دارد چرا که اگر بیماری به درجات حاد برسد، پزشک مجبور به جراحی قسمتی از روده که بیماری کرون پیشرفت کرده است خواهد شد.برای تعیین بیماری کرون امروزه از کولونوسکپی استفاده می شود که نیازمند به بیهوشی است و روش تهاجمی دردناکی محسوب می شود. به همین دلیل برخی پزشکان از روش های جایگزین مانند MRI استفاده و با استفاده از اطلاعات سکانس های مختلف،نواحی درگیر بیماری را در روده تعیین می¬کنند. از این رو اطلاعات سکانس¬های مختلف را به صورت ذهنی در کنار¬هم قرار می¬دهند. بنابراین علاوه بر سخت بودن تشخیص، ادغام اطلاعات به صورت ذهنی می¬تواند باعث بوجود آمدن خطا و کاهش دقت در تشخیص شود.هدف: سگمنتاسیون دقیق نواحی درگیر روده‌ای یک کار اساسی و حیاتی برای تشخیص و درمان بیماری کرون است. برای جلوگیری از ترسیم دستی خسته‌کننده، ما در این پایان نامه به ارایه یک روش دقیق و کاملا خودکار برای تعیین این بیماری با استفاده از سکانس های post contrast T1، fat sat T2 و DWI b value=800 پرداخته¬ایم و با استفاده از تکنیک هوش مصنوعی (AI) سگمنتاسیون درگیری روده‌ای را با استفاده از همجوشی سکانس‌های MR انتروگرافی بررسی کردیم.روش کار: در این مطالعه 79 سگمان روده ای درگیر در 53 تصویر MRI در 47 بیمار مبتلا به کرون مورد بررسی قرار گرفت. تصاویر MR انتروگرافی بیماران در سکانس‌های post contrast T1، FAT SAT T2 و DWI با 800= b value بررسی و توسط پزشکان رادیولوژیست expert درهرسکانس بصورت مجزا سگمنت شد. سپس سگمنتاسیون تصاویر با روشهای image processing تکنیک AI (با الگوریتم ensemble classifier و روش bagging ) انجام و نتایج کار با سگمنتاسیون دستی پزشک رادیولوژیست بعنوانgold standard مقایسه شده حساسیت،ویژگی، دقت، Dice ratio و زمان سگمنتاسیون در آن بررسی شد. در مرحله ی بعد پزشکان رادیولوژیست با اشتراک data ی هرسه سکانس، یک الگوی واحد جهت سگمنتاسیون نواحی درگیر کرون بعنوان gold standard ارائه دادند و سپس فیوژن سه سکانس توسط تکنیک هایimage processing AI انجام شد. الگوریتم به کار رفته شامل سه مرحله پیش پردازش برای کاهش نویز تصاویر، اصلاح خطای ناشی از سخت‌افزار سیستم تصویربرداری و ثبت تصاویر بود. پس از پیش پردازش، برای هر پیکسل ویژگی هایی مبتنی بر بافت، موقعیت (مکان) و شدت تصویر استخراج گردید و پس از آن با استفاده از الگوریتم جنگل تصادفی اقدام به تعیین اهمیت ویژگی ها و طبقه بندی پیکسل های تصاویر شد و حساسیت، ویژگی،دقت،Dice ratio و زمان سگمنتاسیون اتوماتیک نواحی درگیر در سکانس‌های مختلف تعیین گردید..همچنین رادیولوژیست های مربوطه نواحی سگمنت شده توسط دستگاه را در تصاویر فیوژن بررسی کرده،میزان دقت این سگمنتاسیون را در قالب معیارهای کیفی عالی،خوب،متوسط یا ضعیف علامت گذاری کردند. یافته‌ها: نتایج نشان داد ویژگی‌های به کار رفته به‌تنهایی نتایج مؤثری ندارند، اما در صورت قرار¬گیری در کنار یکدیگر، فضای خوبی برای سگمنتاسیون دقیق نواحی درگیر روده‌ای فراهم می¬کنند. استخراج ویژگی‌ها مبتنی بر بافت دارای کمترین ارزش تشخیصی بود. در زمانی که تمام ویژگی‌ها انتخاب شدند، بیشترین پارامترهای ارزش تشخیصی شامل دقت، حساسیت و معیار Dice در سکانس post contrast T1 به ترتیب 82.9%، 89.7% و 86.1% و در سکانس DWI به ترتیب 87.5%، 78.3% و 83.2% به دست آمد.این مقادیر در تصاویر فیوز شده بطور قابل توجهی بالاتر(بترتیب 94.17% ،96.07% و 95.13% )بود.همچنین در بررسی کیفی،دقت فیوژن در 87 تا 90 درصد تصاویر خوب تا عالی ارزیابی شد. نتیجه‌گیری: نتایج نشان می‌دهد که مدل پیشنهادی کاربردهای بالینی بالقوه‌ای در سگمنتاسیون دقیق نواحی درگیر روده‌ای، به‌ویژه با توجه به ارزیابی پاسخ درمانی و برنامه‌ریزی قبل از عمل دارد.
TOPICAL NAME USED AS SUBJECT
Entry Element
هوش مصنوعی
Entry Element
Artificial intelligence
a12
a12
بیماری کرون
سگمنتاسیون
segmentation
fusion
MRI
همجوشی
جنگل تصادفی
ثبت تصاویر
ویژگی های مکانی
ویژگی های مبتنی بر بافت
انتروگرافی
Crohn's disease
random forest
image registration
spatial features
texture-based features
PERSONAL NAME - PRIMARY RESPONSIBILITY
Relator Code
، پدیدآور
خزایی، راضیه
PERSONAL NAME - SECONDARY RESPONSIBILITY
Relator Code
، استاد راهنما
Relator Code
، استاد مشاور
رادمرد، امیررضا
قائمی، امید
CORPORATE BODY NAME - SECONDARY RESPONSIBILITY
Entry Element
دانشگاه علوم پزشکی تهران، دانشکده پزشکی
ORIGINATING SOURCE
Country
ایران
Date of Transaction
20230111
LOCATION AND CALL NUMBER
Call Number
۱۴۰۵۳ت
DATA NOT CONVERTED FROM SOURCE FORMAT
Tag of the Source Format Field
دانشگاه علوم پزشکی تهران، کتابخانه دانشکده پزشکی
p
TF
92029
a
Y
