Tehran University Medical Journal

other قطعه‌بندی خودکار تومورهای گلیوما از مجموعه داده چالش BraTS 2018 با استفاده از شبکه U-Net دو بعدی Automatic segmentation of glioma tumors from BraTS 2018 challenge dataset using a 2D U-Net network مقاله اصیل Original Article زمینه و هدف: گلیوما (Glioma) متداول‌ترین تومور مغزی اولیه بوده و تشخیص به موقع تومور در برنامه‌ریزی درمان بیماران حایز اهمیت است. قطعه‌بندی دقیق تومور و نواحی داخلی آن در تصاویر تشدید مغناطیسی (Magnetic resonance imaging) توسط رادیولوژیست به‌عنوان گام اول در تشخیص می‌باشد که افزون‌بر زمان‌بر بودن ممکن است توسط پزشکان مختلف تشخیص‌های متفاوتی داده شود. هدف از انجام مطالعه حاضر ارایه روشی خودکار در قطعه‌بندی تومور و نواحی داخلی آن می‌باشد. روش بررسی: این یک مطالعه بنیادی-کاربردی است که از اردیبهشت 1399 تا شهریور 1400 و بر روی تصاویر مولتی مدالیتی MRI ۲۸۵ بیمار مبتلا به تومور گلیوما از پایگاه داده BraTS 2018 انجام گرفت. در این مطالعه، معماری U-Net دو بعدی با روش مبتنی بر تکه (Patch-based)، شامل یک مسیر رمزگذاری جهت استخراج ویژگی‌ها و یک مسیر رمزگشایی متقارن طراحی گردید. آموزش این شبکه در سه مرحله مجزا با استفاده از داده‌های گلیوما درجه بالا (High grade glioma)، گلیوما درجه پایین (Low grade glioma) و ترکیب دو گروه به‌ترتیب با تعداد 210، 75 و 220 بیمار انجام شد. یافته‌ها: مدل پیشنهادی نتایج ضریب دایس در مجموعه داده‌های HGG، 85/0، 85/0، 77/0، مجموعه داده‌های LGG، 80/0، 66/0، 51/0 و ترکیب دو گروه، 88/0، 79/0، 77/0 به‌ترتیب برای نواحی کل تومور، هسته تومور و ناحیه افزایش‌یافته در داده‌های آموزش برآورد نمود. نتیجه‌گیری: با استفاده از شبکه U-Net می‌توان در قطعه‌بندی دقیق تومور و نواحی مختلف آن کمک شایانی به پزشکان انجام داد، همچنین با تشخیص دقیق و درمان زودهنگام نرخ بقای این بیماران را افزایش داد و کیفیت زندگی آنها را بهبود بخشید.   <div>Background: Glioma is the most common primary brain tumor, and early detection of tumors is important in the treatment planning for the patient. The precise segmentation of the tumor and intratumoral areas on the MRI by a radiologist is the first step in the diagnosis, which, in addition to the consuming time, can also receive different diagnoses from different physicians. The aim of this study was to provide an automated method for segmenting the tumor and intratumoral areas. Methods: This is a fundamental-applied study that was conducted from May 2020 to September 2021 using multimodal MRI images of 285 patients with glioma tumors from the BraTS 2018 Database. This database was collected from 19 different MRI imaging centers, including multimodal MRI images of 210 HGG patients, and 75 LGG patients. In this study, a 2D U-Net architecture was designed with a patch-based method for training, which comprises an encoding path for feature extraction and a symmetrical decoding path. The training of this network was performed in three separate stages, using data from high-grade gliomas (HGG), and low-grade gliomas (LGG), and combining two groups of 210, 75, and 220 patients, respectively.</div> <div> <table align="center" hspace="0" vspace="0"> <tbody> <tr> <td align="left" style="padding-top:0in; padding-right:12px; padding-bottom:0in; padding-left:12px" valign="top"> <div>Results: The proposed model estimated the Dice Similarity Coefficient (DSC) results in HGG datasets 0.85, 0.85, 0.77, LGG datasets 0.80, 0.66, 0.51, and the combination of the two groups 0.88, 0.79, 0.77 for regions the whole tumor, tumor core, and enhancing region in the training dataset, respectively. The results related to Hussdorf Distance (HD) for HGG datasets were 8.24, 9.92, 4.43, LGG datasets 11.5, 11.31, 2.23, and the combination of the two groups 7.20, 8.82, 4.43 for regions the whole tumor, tumor core, and enhancing region in the training dataset, respectively. Conclusion: Using the U-Net network can help physicians in the accurate segmentation of the tumor and its various areas, as well as increase the survival rate of these patients and improve their quality of life through accurate diagnosis and early treatment.</div> </td> </tr> </tbody> </table> </div> <div></div> یادگیری عمیق, گلیوما, تصویربرداری تشدید مغناطیسی. deep learning, glioma, magnetic resonance imaging. 293 299 http://tumj.tums.ac.ir/browse.php?a_code=A-10-3666-524&slc_lang=other&sid=1 Zahra Papi زهرا پاپی No Department of Medical Physics, School of Medicine, Isfahan University of Medical Sciences, Isfahan, Iran. گروه فیزیک پزشکی، دانشکده پزشکی، دانشگاه علوم پزشکی، اصفهان، ایران. Iraj Abedi ایرج عابدی i.abedi@med.mui.ac.ir Yes Department of Medical Physics, School of Medicine, Isfahan University of Medical Sciences, Isfahan, Iran. گروه فیزیک پزشکی، دانشکده پزشکی، دانشگاه علوم پزشکی، اصفهان، ایران. Fatemeh Dalvand فاطمه دالوند No Department of Radiation Engineering, School of Medicine, Shahid Beheshti University, Tehran, Iran. گروه پرتوپزشکی، دانشکده پزشکی،‌ دانشگاه شهید بهشتی، تهران، ایران. Alireza Amouheidari علیرضا عموحیدری No Department of Radiotherapy, Isfahan Milad Hospital, Isfahan, Iran. بخش پرتودرمانی، بیمارستان میلاد اصفهان، اصفهان، ایران.