بخش‌بندی خودکار تومورهای مغزی در توالی‌های مختلف تصاویر mri به‌منظور تعیین کاراترین توالی با استفاده از روش یادگیری عمیق

بخش‌بندی تومور مغزی گامی مهم در تشخیص بیماری و روند درمان است. بخش‌بندی دستی تومورهای مغزی روشی زمان‌بر است. هدف از این مطالعه، بخش‌بندی خودکار تومور مغزی تصاویر mri و بررسی میزان دقت توالی‌های مختلف mri در بخش‌بندی تومور مغزی است. برای این منظور، از تصاویر موجود در پایگاه داده ی brats استفاده شده‌ است. برای آموزش شبکه، 310 تصویر mri در چهار توالی t1w، t1ce، t2w و flair و همچنین، تصاویر بخش‌بندی‌شده ی مرجع استفاده شدند. در این مرحله از شبکه ی عصبی یادگیری عمیق resnet استفاده شد. پس از آموزش شبکه، عملیات بخش‌بندی روی 60 تصویر mri آزمایش انجام شد. با توجه به نتایج به‌دست‌‌آمده از پارامتر شباهت، توالی flair عملکرد بهتری نسبت به سایر توالی‌ها به‌منظور بخش‌بندی تومور مغزی داشته‌ است. مقدار این پارامتر برای flair برابر با 0.10 ± 0.77 است؛ در حالی که مقدار آن برای t1w، t2w و t1ce به‌ترتیب برابر با 0.12 ± 0.73، 0.15 ± 0.73 و 0.17 ± 0.62 است. همچنین، توالی flair حساسیت بیشتری برای بخش‌بندی تومور مغزی داشته‌ و مقدار آن برابر با 0.12 ± 0.83 است. براساس نتایج این مطالعه، flair توالی قابل اعتمادتری نسبت به سایر توالی‌ها برای بخش‌بندی تومور مغزی است.

automated brain tumor segmentation on multi-mr sequences to determine the most efficient sequence using a deep learning method

brain tumor segmentation is an important step in the diagnosis and treatment planning of cancer patients. the procedure of manual brain tumor segmentation suffers from a long processing time. in this light, automatic brain tumor segmentation is highly appealing in the clinical routine. this study sets out to segment the tumors from brain mr images and to investigate the effectiveness/usefulness of the different mri sequences for this purpose. here, the mr images from the brats challenge were utilized. 310 patients with four different mri sequences, including t1, t1ce, t2, and flair were employed to train a resnet deep cnn. four separate models were trained with each of the input mr sequences to identify the best sequence for brain tumor segmentation. to assess the performance of these models, 60 patients (external dataset) were quantitatively evaluated. the quantitative results indicated that the flair sequence is more reliable for automatic brain tumor segmentation than other sequences with an accuracy of 0.77±0.10 in terms of dice compared to dice indices of 0.73±0.12, 0.73±0.15, and 0.62±0.17 obtained from t1, t2, and t1ce sequences, respectively. based on the results of this study, flair is a more reliable sequence than other sequences for brain tumor segmentation.