Medical Sciences Journal of Islamic Azad University

fa افزایش دقت تقسیم‌بندی تصاویر پزشکی با استفاده از معماری هیبریدی U-Net و ResNet18 و نقش آن در بهبود برنامه ریزی درمان Enhancing medical image segmentation accuracy using a hybrid U-Net and ResNet18 architecture for improved treatment planning فیزیک پزشکی Medical Physics كارآزمايي باليني Controlled/Randomized clinical trial 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.   Background: Improving segmentation accuracy in CT images of patients with breast cancer plays a crucial role in designing effective treatment plans. This study aimed to evaluate the performance of two deep neural network models, including a U-Net architecture and a combined U-Net with ResNet-18, in this domain. Materials and methods: Data from 120 patients, comprising 6,890 CT slices, were annotated by expert oncologists and used as the reference standard. These annotations included the heart, left lung, planning target volume (PTV), gross tumor volume (GTV), background, and skin. After data preprocessing, hyperparameters were optimized using a random search method. The models were trained and evaluated based on various performance metrics. Results indicated that the combined model outperformed the U-Net alone in identifying tumor volumes and sensitive structures. Results: The Dice score reached to 60.35% for GTV and 76.94% for PTV, whereas the U-Net model achieved 39.22% and 39.47%, respectively. These findings demonstrated that the integrated architecture provided significant improvements in classification and detection accuracy, affirmed that combining these architectures enhanced segmentation performance. Conclusion: Utilizing this approach can significantly improve treatment planning processes and reduce targeting errors. The results clearly show that the combined U-Net and ResNet-18 architecture performs better than the U-Net alone. However, further validation with larger datasets is necessary to establish its clinical applicability.   سرطان پستان, پرتودرمانی, طراحی درمان معکوس, شبکه های عصبی عمیق,یونت,رزنت 18 Breast cancer, Radiotherapy, Inverse treatment planning, Deep neural networks, U-Net, Resnet18. 289 301 http://tmuj.iautmu.ac.ir/browse.php?a_code=A-10-2026-1&slc_lang=fa&sid=1 Hajar Ahmadi هاجر احمدی ahmadierfane@yahoo.mail 100319475328460014685 100319475328460014685 No Department¬ of Biomedical Engineering, Isf.C., Islamic Azad University, Isfahan, Iran 2 Department of Physics, Na.C., Islamic Azad University, Najafabad, Iran گروه مهندسی پزشکی، واحد اصفهان (خوراسگان)، دانشگاه آزاد اسلامی، اصفهان، ایران Azimeh NV Dehkordi عظیمه نوری زاده واحد دهکردی nourizadeh@iau.ac.ir 100319475328460014686 100319475328460014686 Yes Assistant Professor, Department of Biomedical Engineering, Isf.C., Islamic Azad University, Isfahan, Iran, گروه فیزیک، واحد نجف‌آباد، دانشگاه آزاد اسلامی، نجف‌آباد، ایران Farhad Azimifar فرهاد عظیمی فر f.azimifar@khuisf.ac.ir 100319475328460014687 7695 – 1827 – 0002 – 0000 No Assistant Professor, Department of Biomedical Engineering, Isf.C., Islamic Azad University, Isfahan, Iran, استادیار، گروه مهندسی پزشکی، واحد اصفهان (خوارسگان)، دانشگاه آزاد اسلامی، اصفهان، ایران Seied Rabi Mehdi Mahdavi سید ربیع مهدی مهدوی srmahdavi@hotmail.com 100319475328460014688 100319475328460014688 No Department of Medical Physics and Radio-Oncology, Faculty of Medicine, Iran University of Medical Science, Tehran, Iran 5 Radiation Biology Research Center, Iran University of Medical Science, Tehran, Iran گروه فیزیک پزشکی و رادیوانکولوژی، دانشکده پزشکی، دانشگاه علوم پزشکی ایران، تهران، ایران ، مرکز تحقیقات بیولوژی پرتو، دانشگاه علوم پزشکی ایران، تهران، ایران Mahnaz Roayaei مهناز روعایایی roayaeimahnaz@gmail.com 100319475328460014689 100319475328460014689 No Department of Radiation Oncology, Omid Hospital, Esfahan University of Medical Sciences, Isfahan, Iran گروه رادیوانکولوژی، بیمارستان امید، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران