مقاله پیش‌بینی نتیجه درمان بر اساس آنالیز واکسل با استفاده از شاخص‌های ناهمسانگردی انتشار و اطلاعات مکانی در تومور GBM

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

 مقاله پیش‌بینی نتیجه درمان بر اساس آنالیز واکسل با استفاده از شاخص‌های ناهمسانگردی انتشار و اطلاعات مکانی در تومور GBM دارای ۱۲ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد مقاله پیش‌بینی نتیجه درمان بر اساس آنالیز واکسل با استفاده از شاخص‌های ناهمسانگردی انتشار و اطلاعات مکانی در تومور GBM  کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه  و مراکز دولتی می باشد.

توجه : در صورت  مشاهده  بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل ورد می باشد و در فایل اصلی مقاله پیش‌بینی نتیجه درمان بر اساس آنالیز واکسل با استفاده از شاخص‌های ناهمسانگردی انتشار و اطلاعات مکانی در تومور GBM،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن مقاله پیش‌بینی نتیجه درمان بر اساس آنالیز واکسل با استفاده از شاخص‌های ناهمسانگردی انتشار و اطلاعات مکانی در تومور GBM :

تعداد صفحات :۱۲

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 ۷ 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.