محیا جهانشاهی

مقدمه: مرزبندی دقیق نواحی مبتلابه فیبروز میوکارد در تصاویر ام آرآی کسب شده با ماده حاجب نقش بسیار مهمی در پایش بیماران کاردیومیوپاتیک هیپرتروفیک و ارزیابی ریسک ابتلای آن ها به عوارض ناشی از این بیماری همچون مرگ ناگهانی دارد. به دلیل صرف زمان بسیار و نیاز به تخصص برای انجام این عمل، خودکار کردن این فرایند می تواند نقش بسزایی در تسریع و افزایش کارایی آن بگذارد. هدف از مطالعه انجام شده، استفاده از یک مدل مبتنی بر یادگیری عمیق برای خودکار کردن فرایند مرزبندی فیبروز میوکارد در تصاویر ام آرآی کسب شده با ماده حاجب بیماران در کاردیومیوپاتیک هیپرتروفیک بود. روش ها: در این پژوهش از پشت سر هم قرار گرفتن سه مدل مشابه برگرفته از شبکه ی یونت، به ترتیب برای تشخیص ناحیه هدف، رسم مرزهای میوکارد و مرزبندی دقیق نواحی مبتلابه فیبروز استفاده شده است. برای انجام این پژوهش، از تصاویر ام آرآی کسب شده با ماده حاجب ۴۱ بیمار مبتلابه کاردیومیوپاتی استفاده شد که توسط دو متخصص با سابقه مرزبندی شده بودند. یافته ها: مدل استفاده شده توانست ضریب تشابه دایس و صحت به ترتیب ۷۴/۸۹ و ۲۲/۹۸ در مرزبندی فیبروز؛ و ۴۲/۸۸ و ۶۶/۹۴ در مرزبندی ماهیچه بطن چپ دست یابد و در مقایسه با روش های قبلی کارایی بالاتری ارائه دهد. نتیجه گیری: نتایج به دست آمده از این مطالعه نشان دادند که استفاده از روش های یادگیری عمیق در روند رسم مرزهای فیبروز میوکارد، علاوه بر خودکارسازی این فرایند، حذف نیاز به تخصص و همچنین کاهش زمان، می توانند کارایی این عمل را نسبت به روش-های ارائه شده پیشین افزایش دهند.