عنوان

تولید تصاویر PET با دوز متداول رادیو دارو از روی تصاویر با دوز رادیو داروی کم به کمک روش یادگیری عمیق

شماره

۹۸۱۳۸پ

زبان متن نوشتاري يا گفتاري و مانند آن

فارسی

عنوان اصلي

تولید تصاویر PET با دوز متداول رادیو دارو از روی تصاویر با دوز رادیو داروی کم به کمک روش یادگیری عمیق

نام عام مواد

[پایان نامه]

نام نخستين پديدآور

علی غفاری

نام ناشر، پخش کننده و غيره

دانشگاه علوم پزشکی تهران، دانشکده پزشکی

تاریخ نشرو بخش و غیره

۱۴۰۱

نام خاص و کميت اثر

۹۲ص

جزئيات پايان نامه و نوع درجه آن

کارشناسی ارشد

نظم درجات

فناوری تصویربرداری پزشکی

زمان اعطا مدرک

۱۴۰۱/۰۶/۰۲

متن يادداشت

مقدمه و هدف: تصویربرداری توموگرافی تابش پوزیترون (PET) توانسته است کاربرد های مختلفی را در حیطه های مختلف پزشکی مانند اونکولوژی، نورولوژی، کاردیولوژی و ... پیدا کند. از آن جایی که تصاویر PET به طور ذاتی با سطوح بالایی از نویز همراه می باشند، معمولا افزایش زمان اسکن یا دوز رادیوداروی تزریق شده جهت کاهش نویز و افزایش کیفیت تصاویر مورد استفاده قرار می گیرد که معایب مخصوص به خود از جمله افزایش دوز تشعشع دریافتی را دارا می باشند. هدف از این مطالعه استفاده از روش های یادگیری عمیق برای بهبود و یا حفظ کیفیت تصاویر PET ضمن کاهش دوز رادیوداروی تزریق شده و یا زمان اسکن می باشد.مواد و روش ها: داده های تصویربرداری PET با دوز رادیودارو و زمان اسکن استاندارد 41 بیمار به صورت گذشته نگر انتخاب شده و برای هر بیمار داده های با نسبت های زمان یک هشتم و یک شانزدهم برای ادامه مطالعه مورد استفاده قرار گرفت. پس از جداسازی رندم داده های یکی از بیماران در قالب زیر گروه Evaluation، مابقی داده های بیماران به طور رندم در قالب 4 زیرگروه داده (S1 – S4) تقسیم بندی شدند. به منظور برآورد تصاویر با زمان اسکن استاندارد با استفاده از تصاویر با زمان اسکن کوتاه (یک هشتم یا یک شانزدهم)، مدل یادگیری عمیق CycleGAN توسعه داده شد و در هر دو سطح زمان اسکن و برای تمامی زیرگروه های آموزشی مورد آموزش و تست عملکردی از منظر سنجه های کیفیت تصویر مانند پیک نسبت سیگنال به نویز (PSNR) و ... مورد بررسی قرار گرفت. دو متخصص پزشکی هسته ای، تصاویر را در هر دو سطح زمان اسکن به طور کیفی مورد بررسی و امتیازدهی قرار دادند. در نهایت عملکرد مدل یادگیری عمیق CycleGAN در هر دو سطح زمان اسکن با روش های رفع نویز متداول تطبیق بلوکی و فیلترینگ سه بعدی (BM3D)، روش های غیرموضعی (NLM) و رفع نویز ویولت (WL) مورد مقایسه قرار گرفت.نتایج: روش یادگیری عمیق CycleGAN توانست در هر دو سطح زمان اسکن و تمامی زیرگروه های آموزشی (S1 – S4) کیفیت تصاویر با زمان اسکن پایین را از منظر پارامترهای کیفیت تصویر شامل PSNR و ... بهبود بخشد. در سطح زمان اسکن یک هشتم به طور میانگین پارامتر PSNR بهبود 5.328 درصدی و در سطح زمان اسکن یک شانزدهم بهبود 9.712 درصدی را تجربه کرد. همچنین متخصصین پزشکی هسته ای در اکثر مواقع بهبود کیفیت تصاویر برآورد شده توسط مدل یادگیری عمیق را گزارش کردند. در نهایت مشخص شده که مدل یادگیری عمیق CycleGAN توانسته است نسبت به روش های رفع نویز متداول بررسی شده عملکرد بسیار بهتری را از خود به نمایش بگذارد.نتیجه¬گیری: مدل یادگیری عمیق CycleGAN توانست در هر دو سطح زمان اسکن یک هشتم و یک شانزدهم، عملکرد بهتری نسبت به روش های رفع نویز متداول BM3D، NLM و WL در بازیابی کیفیت تصاویر با زمان اسکن پایین از خود به نمایش بگذارد. مدل یادگیری عمیق CycleGAN توانست از منظر بسیاری از پارامترهای کمی و کیفی کیفیت تصویر، تصاویر با زمان اسکن پایین را بهبود دهد؛ بدین ترتیب با استفاده از آن می تواند ضمن ثابت نگه داشتن یکی از پارامتر های زمان اسکن یا دوز رادیوداروی تزریق شده، دیگری را کاهش داد و در نتیجه دوز تشعشع را کاهش داده و بازدهی بخش تصویربرداری را افزایش داد.

موضوع مستند نشده

توموگرافی تابش پوزیترون

موضوع مستند نشده

18F-FDG

موضوع مستند نشده

دوز تشعشع

موضوع مستند نشده

یادگیری عمیق

موضوع مستند نشده

CycleGAN

موضوع مستند نشده

رفع نویز

کد نقش

، پدیدآور

مستند نام اشخاص تاييد نشده

غفاری، علی

کد نقش

، استاد راهنما

کد نقش

، استاد راهنما

کد نقش

، استاد مشاور

کد نقش

، استاد مشاور

مستند نام اشخاص تاييد نشده

شیخ زاده، پیمان

مستند نام اشخاص تاييد نشده

آی، محمدرضا

مستند نام اشخاص تاييد نشده

عباسی، مهرشاد

مستند نام اشخاص تاييد نشده

سیدی، نگیسا

عنصر شناسه اي

دانشگاه علوم پزشکی تهران، دانشکده پزشکی

کشور

ایران

تاريخ عمليات

20220905

شماره بازیابی

۲۳۱۲ف

شماره فيلد فرمت مبدا

دانشگاه علوم پزشکی تهران، کتابخانه دانشکده پزشکی

فرمت انتشار

p

نوع ماده

TF

کد کاربرگه

92029

سطح دسترسي

a

تكميل شده

Y