حبیب رستمی

در زمینه مدیریت سرطان، درک بار و شیوع آن بیماری برای تصمیم گیری آگاهانه بالینی ضروری است. این پایان نامه بر نقش یادگیری ماشین در تجزیه و تحلیل اسکن [68Ga]Ga-PSMA PET/CT برای تشخیص و ارزیابی سرطان پروستات (PC). تمرکز دارد. اولین مطالعه توسعه یک یادگیری عمیق کاملا خودکار را توصیف می کند. چارچوبی برای شناسایی و تقسیم بندی ضایعات بدخیم در اسکن PET کل بدن با استفاده از [68Ga]Ga-PSMA-11. در یک مطالعه چند مرکزی که شامل 412 بیمار بود ه است. این مدل دقت بالایی را در طبقه بندی در سطح بیمار و تشخیص ضایعه نشان داد و نتایج در استخراج بیومارکرهای کمی PET برای ارزیابی پاسخ درمان امیدوارکننده بود. مطالعه دوم به بررسی توزیع PSMA در افراد تازه تشخیص داده شده و سرطان پروستات و ارتباط آن با سطح سرمی PSA و بیوپسی گلیسون اسکور می پردازد . تجزیه و تحلیل داده های 256 بیمار ارتباط معنی داری را بین پارامترهای مبتنی بر PET- و ویژگی های بیماری نشان داد. تکنیک های یادگیری ماشینی به طور موثر مقادیر GS و PSA را با تاکید بر کاربرد [68Ga]Ga-PSMA PET/CT در مرحله بندی و برنامه ریزی درمان پیش بینی کرد. مطالعه سوم پارامترهای بالینی پایه و PET استخراج شده را شناسایی می کند. ویژگی هایی که بر پاسخ PSA، بقای کلی و بقای بدون پیشرفت بیماران تحت درمان با 177Lu-PSMA. ت تاثیر می گذارد. تجزیه و تحلیل 125 بیمار مبتلا به سرطان پروستات مقاوم به هورمون متاستاتیک نشان داد که چندین پارامتر به طور قابل توجهی بر نتایج بالینی تأثیر گذاشت. این یافته ها بر پتانسیل ادغام نشانگرهای زیستی تصویربرداری برای افزایش ارزیابی های پیش بینی و راهنمایی تصمیمات درمانی مفید است. در مجموع، این پایان نامه به ارائه روش های تحلیل تصویر و کاربرد آنها در آن می پردازد. بهبود تشخیص، مرحله بندی و درمان سرطان پروستات، برجسته کردن نقش یادگیری ماشین در توسعه راه حل های موثر و قوی برای امور بالینی در این پایان نامه بررسی شده است.