بخش‌بندی ناحیه‌ی هدف درمانی در بیماران سرطانی گلیوما توسط یادگیری انتقالی

نوع مقاله : Original Article(s)

نویسندگان

1 دانشجوی کارشناسی ارشد، گروه فیزیک پزشکی، دانشکده‌ی پزشکی، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران

2 دانشجوی دکترای فیزیک پزشکی، گروه فیزیک پزشکی، دانشکده‌ی پزشکی، دانشگاه علوم پزشکی مشهد، مشهد، ایران

3 استادیار، گروه فیزیک پزشکی، دانشکده‌ی پزشکی، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران

4 استاد، گروه فیزیک پزشکی، دانشکده‌ی پزشکی، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران

چکیده

مقاله پژوهشی




مقدمه: این مطالعه به منظور بررسی قدرت و کارآیی یادگیری انتقالی در حل مشکل حجم داده‌های یادگیری عمیق به منظور بخش‌بندی خودکار ناحیه هدف درمانی در بیماران مبتلا به سرطان گلیوما انجام شده است.
روش‌ها: در این مطالعه از تصاویر T1، T2 و Flair، تعداد 100 عدد از بیمارانی که سرطان گلیومای آن‌ها مسجل شده بود، استفاده شد. تمامی تصاویر پس از بازبینی کیفی، نرمالیزه شدند و به سایز مشخص درآمدند. سپس تصاویر به یک مدل در دو حالت با و بدون یادگیری انتقالی داده شدند و عملکرد آن‌ها با میزان تشابه، همپوشانی، حساسیت و دقت مورد بررسی قرار گرفت.
یافته‌ها: نتایج مطالعه‌ی ما نشان می‌دهد که یادگیری انتقالی می‌تواند باعث افزایش کارآیی بخش‌‌بندی خودکار شده و درتصاویر Flair تا بیش از 76 درصد تشابه در میزان بخش‌بندی خودکار با بخش‌بندی دستی شود. همچنین این روش در تصاویر T2 که نتوانسته نتایج را بهبود ببخشد، سرعت رسیدن به نتیجه مطلوب را افزایش داده است.
نتیجه‌گیری: یادگیری عمیق در بخش‌بندی خودکار می‌تواند بر محدودیت‌های ناشی از حجم داده در بیماران گلیوما غلبه کند و عملکرد آن‌ها را بهبود ببخشید.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

The Segmentation of Therapeutic Target Area in Glioma Cancer Patients by Transfer Learning

نویسندگان [English]

  • Maryam Hooshyari 1
  • Hadi Akbarizadeh 2
  • Mahnaz Etehadtavakol 3
  • Ahmad Shanei 4
1 MSc Student, Department of Medical Physics, School of Medicine, Isfahan University of Medical Sciences, Isfahan, Iran
2 PhD Student, Department of Medical Physics, School of Medicine, Mashhad University of Medical Sciences, Mashhad, Iran
3 Assistant Professor, Department of Medical Physics, School of Medicine, Isfahan University of Medical Sciences, Isfahan, Iran
4 Professor, Department of Medical Physics, School of Medicine, Isfahan University of Medical Sciences, Isfahan, Iran
چکیده [English]

Background: This study was conducted in order to investigate the power and efficiency of transfer learning in solving the problem of deep learning data volumes for automatic segmentation of the treatment target area in glioma cancer patients.
Methods: In this study, T1, T2 and Flair images of one hundred patients whose glioma cancer was confirmed were used. After quality review, all images were normalized and resized. Then the images were given to a model in two modes with and without transfer learning and their performance was evaluated with the degree of similarity, overlap, sensitivity and accuracy.
Findings: The results of our study show that transfer learning can increase the efficiency of automatic segmentation and increase the similarity of automatic segmentation with manual segmentation to more than 76% in Flair images. Also, this method has increased the speed of reaching the desired result in T2 images that could not improve the results.
Conclusion: Deep learning in automatic segmentation can overcome the limitations caused by data volume in glioma patients and improve their performance.

کلیدواژه‌ها [English]

  • Machine learning
  • Radiotherapy planning
  • Glioma
  1. Ilhan U, Ilhan A. Brain tumor segmentation based on a new threshold approach. Procedia Comput Sci 2017; 120: 580-7.
  2. Tamimi AF, Juweid M. Epidemiology and outcome of glioblastoma. In: De Vleeschouwer S, Editor. Brisbane (AU): Codon Publications; 2017.
  3. Mann J, Ramakrishna R, Magge R, Wernicke AG. Advances in radiotherapy for glioblastoma. Front Neurol 2018; 8: 748.
  4. Deeley MA, Chen A, Datteri R, Noble JH, Cmelak AJ, Donnelly EF, et al. Comparison of manual and automatic segmentation methods for brain structures in the presence of space-occupying lesions: a multi-expert study. Phys Med Biol 2011; 56(14): 4557-77.
  5. Meyer P, Noblet V, Mazzara C, Lallement A. Survey on deep learning for radiotherapy. Comput Biol Med 2018; 98: 126-46.
  6. Christin S, Hervet É, Lecomte N. Applications for deep learning in ecology. Methods Ecol Evol 2019; 10(10): 1632-44.
  7. Zhou L, Zhang C, Liu F, Qiu Z, He Y. Application of deep learning in food: a review. Compr Rev Food Sci Food Saf 2019; 18(6): 1793-811.
  8. Khan S, Yairi T. A review on the application of deep learning in system health management. Mech Syst Signal Process 2018; 107: 241-65.
  9. Ajmal H, Rehman S, Farooq U, Ain QU, Riaz F, Hassan A. Convolutional neural network based image segmentation: a review. In: Alam MS, Editor. Pattern Recognition and tracking XXIX. International Society for Optics and Photonics; 2018, Orlando, FL, United States. p. 106490N.
  10. Isensee F, Jäger PF, Kohl SAA, Petersen J, Maier-Hein KH. Automated design of deep learning methods for biomedical image segmentation. Nature Methods 2020.
  11. Tian S, Wang C, Zhang R, Dai Z, Jia L, Zhang W, et al. Transfer learning-based autosegmentation of primary tumor volumes of glioblastomas using preoperative MRI for radiotherapy treatment. Front Oncol 2022; 12: 856346.
  12. Flannery SW, Kiapour AM, Edgar DJ, Murray MM, Beveridge JE, Fleming BC. A transfer learning approach for automatic segmentation of the surgically treated anterior cruciate ligament. J Orthop Res 2022; 40(1): 277-84.
  13. Srinivas C, KS NP, Zakariah M, Alothaibi YA, Shaukat K, Partibane B, et al. Deep transfer learning approaches in performance analysis of brain tumor classification using MRI images. J Healthc Eng 2022; 2022: 3264367.
  14. Ullah N, Khan JA, Khan MS, Khan W, Hassan I, Obayya M, et al. An Effective Approach to Detect and Identify Brain Tumors Using Transfer Learning. Appl Sci 2022; 12(11): 5645.
  15. Amin J, Sharif M, Yasmin M, Saba T, Anjum MA, Fernandes SL. A new approach for brain tumor segmentation and classification based on score level fusion using transfer learning. J Med Syst 2019; 43(11): 326.