چکیده: تومورهای مغزی، بهویژه مننژیوما و گلیوما، از جمله بیماریهای شایع در بزرگسالی هستند که گلیوما مسئول 80 درصد تومورهای بدخیم مغزی است. یکی از راههای درمان این بیماری رادیوتراپی است. تصویربرداری رزونانس مغناطیسی (MRI)، بهترین روش تصویربرداری برای تجسم ضایعات مغزی است. مدلهای یادگیری عمیق (DL) با تحلیل دادههای بالینی و تصویری، در انتخاب روش درمان، موثر واقع شده است. مساله تحقیق پیشبینی تعداد بهینه جلسات و مقدار دوز پرتو برای بیماران گلیوما و مننژیوما با استفاده از شبکه عصبی کانونی مدل بهینهسازی دوسطحی است. در این مطالعه، 1195 تصویر MRI با رزولوشن 512 در 512 و دادههای بالینی 72 بیمار مبتلا به تومور مغزی از مرکز تصویربرداری مهدیه همدان جمعآوری شد. از آنجایی که همه قطعه تصویرهای یک بیمار به طور یکسان برای تشخیص بیماری و تعیین جلسات درمان و نوع درمان مناسب و اطلاع رسان نیستند، پس همه تصاویر یک بیمار ارزش یکسانی ندارند. بنابراین یک مدل دو سطحی طراحی شده که مدل سطح اول به منظور شناسایی و پالایش تصاویر با ارزش و اطلاع رسانی بیشتر و حذف سایر تصاویر برای مدلسازی سطح دوم طراحی میشود. مدل سطح دوم صرفا با تصاویری اموزش داده میشود که مدل سطح اول با احتمالی بیشتر از آستانه ی معینی، خروجی را برایشان تعیین میکند. در سطح ابتدایی، مدل بهینهسازی اولیه، تک تک تصاویر MRI را به عنوان ورودی گرفته و به ازای هر تصویر ورودی، تعداد جلسات درمان مورد نیاز را به عنوان خروجی نتیجه میدهد. برای ساخت سطح دوم مدلسازی نیز، یک آستانه تعیین میشود و تمام تصاویری که در مدل اولیه با احتمال بالاتر از آستانه مورد نظر به یک خروجی تعلق دارند بعنوان داده آموزشی مدل دوم مورد استفاده قرار میگیرند. در مدل دوم، به جای یک تصویر ورودی، سه تصویر به صورت تصادفی از تصاویر مربوط به هر بیمار انتخاب شده و به عنوان ورودی مدل دوم در نظر گرفته میشود. خروجی مدل دوم نیز به صورت پیشبینی مقدار بهینه دوز پرتو وتعداد جلسات در نظر گرفته شدهاست مدل نهایی در پیشبینی تعداد جلسات درمان با میانگین خطای مطلق (MAE) حدود 3.57، که معادل 5.2 درصد خطا نسبت به میانگین تعداد جلسات است، توانسته تعداد جلسات را با دقت خوبی پیشبینی کند. در پیشبینی دوز پرتودرمانی، مدل با MAE حدود 44.42 و 0.78 درصد خطا نسبت به میانگین دوز پرتو، توانسته دوز را با خطای کم و پایدار پیشبینی کند. نتایج نشاندهنده توانایی مدل در پیشبینی دقیق و قابل اعتماد نتایج درمان است مدل پیشنهادی در پیشبینی تعداد جلسات درمان و دوز پرتودرمانی با دقت قابلقبولی عمل کرد، با خطای حدود 5.2 درصد برای تعداد جلسات و 0.78 درصد برای دوز پرتودرمانی. با این حال، برای بهبود تعمیمپذیری مدل، استفاده از دادههای متنوعتر و تکنیکهای ضد بیشبرازش پیشنهاد میشود مدل دو مرحلهای بهعنوان یک رویکرد نوآورانه در تعیین دوز پرتو درمانی، میتواند به بهبود نتایج درمانی و افزایش دقت در پیشبینی نیازهای درمانی بیماران مبتلا به تومورهای مغزی کمک کند. این مزایا نه تنها به بهینهسازی فرآیند درمان کمک میکند، بلکه میتواند به افزایش کیفیت زندگی بیماران نیز منجر شود.
