تشخیص عود تومورهای ریوی سلول غیر کوچک با استفاده از ویژگی های تصویری و بالینی

مقدمه: تخمین پاسخ به درمان همیشه یکی از کارهای چالش برانگیز یک انکولوژیست است. با توجه به تاثیر بسزای عود کردن تومور در برنامه درمانی بیماران مبتلا به سرطان ریه، یافتن روشی جهت پیش بینی و تشخیص عود این تومورها قبل از شروع درمان دارای اهمیت فراوان است. این امر امروزه به صورت تجربی انجام شده و دقت آن بسیار وابسته به تبحر و تجربه پزشک است. لذا هدف از این مطالعه ارائه روشی خودکار جهت تشخیص عود کردن سرطان ریه مبتنی بر ویژگی های تصویری و بالینی است. روش: داده های مورد استفاده در این مطالعه از پرتال TCIA جمع آوری شده است. پس از پیش پردازش تصاویر، ناحیه بندی به روش اتسو و در مرحله بعد توسط مدل های از پیش آموزش دیده AlexNet و GoogleNet ویژگی های رادیومیک استخراج و در کنار ویژگی های بالینی جهت تشخیص عود کردن ضایعه مورد استفاده قرار گرفت. در نهایت توسط برخی روش های یادگیری ماشین به طبقه بندی پرداخته شد. نتایج: روش پیشنهادی ما در ۱۶۲ بیمار مبتلا به سرطان ریه سلول غیر کوچک (NSCLC) با استفاده از پایگاه داده رادیوژنومیک NSCLC در پورتال (The Cancer Imaging Archive) TCIAمورد ارزیابی قرار گرفت. پس از پیش پردازش تصاویر، ناحیه بندی به روش اتسو و در مرحله بعد توسط مدل های از پیش آموزش دیده AlexNet و GoogleNet ویژگی های رادیومیک استخراج و در کنار ویژگی های بالینی جهت تشخیص عود کردن ضایعه مورد استفاده قرار گرفت. در نهایت توسط برخی روش های یادگیری ماشین به طبقه بندی پرداخته شد. نتیجه گیری: یافته اصلی این مطالعه آشکار شدن قابلیت روش های یادگیری عمیق در استخراج ویژگی از تصاویر پزشکی اشاره کرد. به عنوان مثال در این مطالعه شبکه AlexNet قادر به استخراج ویژگی هایی از تصویر CT بیماران مبتلا به تومور ریوی بود که در تشخیص عود مجدد این ضایعات بسیار کمک کننده است.

Keywords:

Non-small cell Lung Cancer , Image Processing , Machine Learning , Deep Learning , Radiomics Features , سرطان ریه سلول غیر کوچک , پردازش تصویر , یادگیری ماشین , یادگیری عمیق , ویژگی های رادیومیک