[صفحه اصلی ]   [Archive] [ English ]  
:: صفحه اصلي :: درباره نشريه :: آخرين شماره :: تمام شماره‌ها :: جستجو :: ثبت نام :: ارسال مقاله :: تماس با ما ::
بخش‌های اصلی
صفحه اصلی::
اطلاعات نشریه::
آرشیو مجله و مقالات::
برای داوران::
ثبت نام ::
اشتراک::
اطلاعات نمایه::
برای نویسندگان::
فرآیند چاپ::
پست الکترونیک::
تماس با ما::
تسهیلات پایگاه::
::
جستجو در پایگاه

جستجوی پیشرفته
..
دریافت اطلاعات پایگاه
نشانی پست الکترونیک خود را برای دریافت اطلاعات و اخبار پایگاه، در کادر زیر وارد کنید.
..
:: دوره 36، شماره 3 - ( پائیز 1405 ) ::
جلد 36 شماره 3 صفحات 301-289 برگشت به فهرست نسخه ها
افزایش دقت تقسیم‌بندی تصاویر پزشکی با استفاده از معماری هیبریدی U-Net و ResNet18 و نقش آن در بهبود برنامه ریزی درمان
هاجر احمدی1 ، عظیمه نوری زاده واحد دهکردی2 ، فرهاد عظیمی فر3 ، سید ربیع مهدی مهدوی4 ، مهناز روعایایی5
1- گروه مهندسی پزشکی، واحد اصفهان (خوراسگان)، دانشگاه آزاد اسلامی، اصفهان، ایران
2- گروه فیزیک، واحد نجف‌آباد، دانشگاه آزاد اسلامی، نجف‌آباد، ایران ، nourizadeh@iau.ac.ir
3- استادیار، گروه مهندسی پزشکی، واحد اصفهان (خوارسگان)، دانشگاه آزاد اسلامی، اصفهان، ایران
4- گروه فیزیک پزشکی و رادیوانکولوژی، دانشکده پزشکی، دانشگاه علوم پزشکی ایران، تهران، ایران ، مرکز تحقیقات بیولوژی پرتو، دانشگاه علوم پزشکی ایران، تهران، ایران
5- گروه رادیوانکولوژی، بیمارستان امید، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران
چکیده:   (5 مشاهده)
سابقه و هدف: بهبود دقت در تقسیم‌بندی تصاویر سی‌تی‌اسکن بیماران مبتلا به سرطان پستان، اهمیت زیادی در طراحی درمان‌های مؤثر دارد. هدف این مطالعه، بررسی عملکرد دو مدل شبکه عصبی عمیق، شامل معماری یونت و ترکیب آن با رزنت ۱۸، در این حوزه بود.
روش بررسی: داده‌های ۱۲۰ بیمار، شامل ۶۸۹۰ اسلایس، با کانتورینگ متخصصان صورت گرفت و به عنوان مرجع استفاده شد. این کانتورینگ‌ها شامل نواحی قلب، ریه، حجم هدف و تومور بودند. پس از پیش‌پردازش داده‌ها، برای بهینه‌سازی پارامترها از روش جستجوی تصادفی استفاده شد. مدل‌ها آموزش یافته و با معیارهای مختلف ارزیابی شدند. مدل ترکیبی در تشخیص حجم تومور و ساختارهای حساس، عملکرد بهتری نسبت به مدل یونت تنها داشت. 
یافته­ها: امتیاز دایس برای حجم خالص تومور تا 35/60 درصد و برای حجم تومور طراحی شده تا 76/94 درصد رسید، در حالی که این مقادیر در مدل یونت به ترتیب 22/39 درصد و 47/39 درصد بودند. این نتایج، نشان‌دهنده برتری مدل ترکیبی در رتبه‌بندی و تشخیص نواحی هدف در تصویر بود و اثبات کرد که ترکیب معماری‌ها می‌تواند بهبود قابل‌توجهی در دقت تشخیص ایجاد کند.
نتیجه­گیری: استفاده از این فناوری، می‌تواند در ارتقاء فرآیندهای برنامه‌ریزی درمان و کاهش خطاهای هدف‌گیری نقش مهمی ایفا کند. نتایج نشان می‌دهند که معماری ترکیبی یونت و رزنت ۱۸ نسبت به یونت تنها، عملکرد بهتری دارد. با این حال، نیازمند بررسی گسترده‌تر با نمونه‌های بزرگ‌تر است تا قابلیت‌های عملیاتی آن در حوزه بالینی تثبیت شود.
 
واژه‌های کلیدی: سرطان پستان، پرتودرمانی، طراحی درمان معکوس، شبکه های عصبی عمیق، یونت، رزنت 18
متن کامل [PDF 853 kb]   (2 دریافت)    
نيمه آزمايشي : كارآزمايي باليني | موضوع مقاله: فیزیک پزشکی
دریافت: 1404/6/31 | پذیرش: 1404/10/12 | انتشار: 1405/6/10
ارسال پیام به نویسنده مسئول

ارسال نظر درباره این مقاله
نام کاربری یا پست الکترونیک شما:

CAPTCHA


XML   English Abstract   Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Ahmadi H, NV Dehkordi A, Azimifar F, Mahdavi S R M, Roayaei M. Enhancing medical image segmentation accuracy using a hybrid U-Net and ResNet18 architecture for improved treatment planning. MEDICAL SCIENCES 2026; 36 (3) :289-301
URL: http://tmuj.iautmu.ac.ir/article-1-2433-fa.html

احمدی هاجر، نوری زاده واحد دهکردی عظیمه، عظیمی فر فرهاد، مهدوی سید ربیع مهدی، روعایایی مهناز. افزایش دقت تقسیم‌بندی تصاویر پزشکی با استفاده از معماری هیبریدی U-Net و ResNet18 و نقش آن در بهبود برنامه ریزی درمان. فصلنامه علوم پزشکی دانشگاه آزاد اسلامی تهران. 1405; 36 (3) :289-301

URL: http://tmuj.iautmu.ac.ir/article-1-2433-fa.html



بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.
دوره 36، شماره 3 - ( پائیز 1405 ) برگشت به فهرست نسخه ها
فصلنامه علوم پزشکی دانشگاه آزاد اسلامی واحد پزشکی تهران Medical Science Journal of Islamic Azad Univesity - Tehran Medical Branch
Persian site map - English site map - Created in 0.13 seconds with 35 queries by YEKTAWEB 4774