|
Title
|
بررسي استفاده از هوش مصنوعي در سگمنت تمام بدن، طبقه بندي ضايعات و staging سرطان پروستات با استفاده از تصاوير GA-PSMA PET/CT
|
|
Type
|
Thesis
|
|
Keywords
|
artificial intelligence, whole-body segmentation, lesion classification, prostate cancer, GA-PSMA PET/CT
|
|
Abstract
|
در زمينه مديريت سرطان، درك بار و شيوع آن بيماري براي تصميم گيري آگاهانه باليني ضروري است. اين پايان نامه بر نقش يادگيري ماشين در تجزيه و تحليل اسكن [68Ga]Ga-PSMA PET/CT براي تشخيص و ارزيابي سرطان پروستات (PC). تمركز دارد. اولين مطالعه توسعه يك يادگيري عميق كاملا خودكار را توصيف مي كند. چارچوبي براي شناسايي و تقسيم بندي ضايعات بدخيم در اسكن PET كل بدن با استفاده از [68Ga]Ga-PSMA-11. در يك مطالعه چند مركزي كه شامل 412 بيمار بود ه است. اين مدل
دقت بالايي را در طبقه بندي در سطح بيمار و تشخيص ضايعه نشان داد و نتايج در استخراج بيوماركرهاي كمي PET براي ارزيابي پاسخ درمان اميدواركننده بود. مطالعه دوم به بررسي توزيع PSMA در افراد تازه تشخيص داده شده و سرطان پروستات و ارتباط آن با سطح سرمي PSA و بيوپسي گليسون اسكور مي پردازد . تجزيه و تحليل داده هاي 256 بيمار ارتباط معني داري را بين پارامترهاي مبتني بر PET- و ويژگي هاي بيماري نشان داد. تكنيك هاي يادگيري ماشيني به طور موثر مقادير GS و PSA را با تاكيد بر كاربرد [68Ga]Ga-PSMA PET/CT در مرحله بندي و برنامه ريزي درمان پيش بيني كرد. مطالعه سوم پارامترهاي باليني پايه و PET استخراج شده را شناسايي مي كند. ويژگي هايي كه بر پاسخ PSA، بقاي كلي و بقاي بدون پيشرفت بيماران تحت درمان با 177Lu-PSMA. ت تاثير مي گذارد. تجزيه و تحليل 125 بيمار مبتلا به سرطان پروستات مقاوم به هورمون متاستاتيك نشان داد كه چندين پارامتر به طور قابل توجهي بر نتايج باليني تأثير گذاشت. اين يافته ها بر پتانسيل ادغام نشانگرهاي زيستي تصويربرداري براي افزايش ارزيابي هاي پيش بيني و راهنمايي تصميمات درماني مفيد است. در مجموع، اين پايان نامه به ارائه روش هاي تحليل تصوير و كاربرد آنها در آن مي پردازد. بهبود تشخيص، مرحله بندي و درمان سرطان پروستات، برجسته كردن نقش يادگيري ماشين در توسعه راه حل هاي موثر و قوي براي امور باليني در اين پايان نامه بررسي شده است.
|
|
Researchers
|
Jafari Esmail (Student) , Majid Assadi (First primary advisor) , Ahmad Keshavarz (First primary advisor) , Habib Rostami (Advisor)
|