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: (7 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 35/60درصد و برای حجم تومور طراحی شده تا 76/94درصد رسید، در حالی که این مقادیر در مدل یونت به ترتیب 22/39درصد و 47/39درصد 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.
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