%0 Journal Article %T پیش‌بینی نتیجه درمان بر اساس آنالیز واکسل با استفاده از شاخص‌های ناهمسانگردی انتشار و اطلاعات مکانی در تومور GBM %J نشریه‌ی علمی مهندسی پزشکی زیستی %I انجمن مهندسی پزشکی ایران %Z 5869-2008 %A صباحی, هادی %A سلطانیان‌زاده, حمید %A اسکارپیس, لیزا %A میکلسن, تام %D 2012 %\ 02/20/2012 %V 5 %N 4 %P 289-295 %! پیش‌بینی نتیجه درمان بر اساس آنالیز واکسل با استفاده از شاخص‌های ناهمسانگردی انتشار و اطلاعات مکانی در تومور GBM %K GBM %K پیش ‌بینی نتیجه درمان %K تصویربرداری تانسور انتشار %K شاخص های انتشاری %K اطلاعات مکانی %K طبقه‌بندی %R 10.22041/ijbme.2012.13166 %X در این مقاله، روش جدیدی برای پیش بینی نتیجه درمان تومور GBM با استفاده از داروی بواسیزوماب ارائه شده است. در این روش از شاخص های ناهمسانگردی انتشار و اطلاعات مکانی برای پیش بینی پاسخ هر یک از واکسل های ناحیه توموری به درمان استفاده شده است. شاخص های ناهمسانگردی (DAI) استفاده شده عبارتند از: ناهمسانگردی جزئی (FA)، متوسط انتشار (MD)، ناهمسانگردی نسبی (RA) و نسبت حجمی (VR) که از تصاویر تانسور انتشار (DTI) قبل از درمان استخراج شده است. اطلاعات مکانی بصورت فاصله هر واکسل توموری از مرکز تومور تعریف می شود که از تصاویر T1-Post Contrast(PC-T1) قبل از درمان استخراج می شوند. شاخص‌ های ناهمسانگردی انتشار بهمراه اطلاعات مکانی به عنوان بردار ویژگی برای هر واکسل در نظر گرفته می شود. تصاویر DTI و PC-T1 از 7 بیمار دارای تومور GBM قبل و بعد از درمان جمع آوری شده است. ابتدا شاخص های ناهمسانگردی از همه واکسل های مغزی و فاصله هر واکسل توموری از مرکز ناحیه تومور محاسبه می شود. سپس نگاشت های DAI پیش از درمان و تصویر PC-T1 پس از درمان به تصویر PC-T1 قبل از درمان رجیستر می شود آنگاه با استفاده از روش آستانه گذاری، ناحیه توموری از تصاویر PC-T1 استخراج می شوند. سپس واکسل هایی که کنتراستشان با گادلینیم بهبود یافته است و متعلق به تصاویر PC-T1 قبل و بعد از درمان هستند، برای برچسب گذاری بردارهای ویژگی مورد مقایسه قرار می گیرند. در این روش سه طبقه بندی کننده مختلف را مورد ارزیابی قرار دادیم که عبارتند از: SVM، KNN و ANN. نتایج طبقه بندی نشان دادند که طبقه بندی کننده KNN بر اساس معیار های معروف دارای نتایج بهتری می باشد و نتایج درمان را برای هر واکسل بهتر پیش بینی می کند. %U https://www.ijbme.org/article_13166_871f0295e2537a4eb845dab560b07644.pdf