بخش‌بندی ناحیه‌ی هدف درمانی در بیماران سرطانی گلیوما توسط یادگیری انتقالی

مقدمه: این مطالعه به منظور بررسی قدرت و کارآیی یادگیری انتقالی در حل مشکل حجم داده‌های یادگیری عمیق به منظور بخش‌بندی خودکار ناحیه هدف درمانی در بیماران مبتلا به سرطان گلیوما انجام شده است.روش‌ها: در این مطالعه از تصاویر t1، t2 و flair، تعداد 100 عدد از بیمارانی که سرطان گلیومای آن‌ها مسجل شده بود، استفاده شد. تمامی تصاویر پس از بازبینی کیفی، نرمالیزه شدند و به سایز مشخص درآمدند. سپس تصاویر به یک مدل در دو حالت با و بدون یادگیری انتقالی داده شدند و عملکرد آن‌ها با میزان تشابه، همپوشانی، حساسیت و دقت مورد بررسی قرار گرفت.یافته‌ها: نتایج مطالعه‌ی ما نشان می‌دهد که یادگیری انتقالی می‌تواند باعث افزایش کارآیی بخش‌‌بندی خودکار شده و درتصاویر flair تا بیش از 76 درصد تشابه در میزان بخش‌بندی خودکار با بخش‌بندی دستی شود. همچنین این روش در تصاویر t2 که نتوانسته نتایج را بهبود ببخشد، سرعت رسیدن به نتیجه مطلوب را افزایش داده است.نتیجه‌گیری: یادگیری عمیق در بخش‌بندی خودکار می‌تواند بر محدودیت‌های ناشی از حجم داده در بیماران گلیوما غلبه کند و عملکرد آن‌ها را بهبود ببخشید.

the segmentation of therapeutic target area in glioma cancer patients by transfer learning

background: this study was conducted in order to investigate the power and efficiency of transfer learning in solving the problem of deep learning data volumes for automatic segmentation of the treatment target area in glioma cancer patients.methods: in this study, t1, t2 and flair images of one hundred patients whose glioma cancer was confirmed were used. after quality review, all images were normalized and resized. then the images were given to a model in two modes with and without transfer learning and their performance was evaluated with the degree of similarity, overlap, sensitivity and accuracy.findings: the results of our study show that transfer learning can increase the efficiency of automatic segmentation and increase the similarity of automatic segmentation with manual segmentation to more than 76% in flair images. also, this method has increased the speed of reaching the desired result in t2 images that could not improve the results.conclusion: deep learning in automatic segmentation can overcome the limitations caused by data volume in glioma patients and improve their performance.