16529

1762 دكتري

دكتري

تبديل انرژي

اصفهان : دانشگاه صنعتي اصفهان

1399

[ده]، [105]ص. : مصور، جدول، نمودار

احمدرضا پيشه ور، مجيد سلطاني

سعيد امانپور، آرمان رحميم

ابراهيم شيراني، مهدي معرفت، محسن ثقفيان، محمود اشرفي زاده

1400/04/14

كتابنامه

مهندسي مكانيك

مهندسي مكانيك

1400/04/15

2704855

در سال هاي اخير مطالعات بر روي مدل سازي و شبيه سازي رشد تومورهاي سرطاني و درمان آن ها به شدت رشد كرده و نتايج حاصل، پيشرفت هاي چشمگيري در اين زمينه را حكايت مي كند. با توجه به اينكه رشد تومورهاي سرطاني براي هر بيمار از ديگران متفاوت است، شخصي سازي و پيش بيني رشد آن بسيار اهميت دارد. اين پژوهش به بررسي مدل سازي و شبيه سازي رشد تومورهاي مغزي و عوامل موثر در آن ميپردازد. در اين پايان نامه، با استفاده از تكنيك هاي پردازش تصوير به تشخيص تومور در تصاوير پزشكي پرداخته و بررسي رشد تومور‌هاي گليوبلاستوما در دو بعد با مدل هاي رايج رشد تومورهاي مغزي مدل‌سازي مي‌شود. همچنين براي فرآيند شخصي سازي مدل رشد تومور، روش بهينه سازي الگوريتم ژنتيك در نظر گرفته مي شود و نتايج با تصاوير اعتبارسنجي مي شود. بر مبناي روش بهينه سازي الگوريتم ژنتيك، پارامترهاي مدل رشد تومور بر مبناي هر بيمار تخمين زده مي شود تا بتوان آينده رشد تومور را براي هر فرد پيش بيني كرد. دراين پروژه يك روش تمام اتوماتيك براي پيش بيني رشد تومور براي هر بيمار خاص با استفاده از دو تصوير با فاصله زماني مختلف ارايه مي گردد و صحت نتايج بدست آمده بر روي نمونه فرضي و حيواني اعتبارسنجي مي شود كه تتايج شبيه سازي شده با نتايج تجربي تطابق خوبي دارند.

Glioblastoma Multiforme is the most common and most aggressive type of brain tumors. Although accurate prediction of Glioblastoma borders and shape is absolutely essential for neurosurgeons, there are not many in silico platforms that can make such predictions. In the current study, an automatic patient-specific simulation of Glioblastoma growth would be described. A finite element approach is used to analyze the magnetic resonance images from patients in the early stages of their tumors. For segmentation of the tumor, the Support Vector Machine (SVM) method, which is an automatic segmentation algorithm, is used. Using in situ and in vivo data, the main parameters of tumor prediction and growth are estimated with high precision in proliferation-invasion partial differential equation, using the genetic algorithm optimization method. The results show that for a C57BL mouse, the differences between the area and perimeter of in vivo test and simulation prediction data, as the objective function, are 3.7 % and 17.4 %, respectively.

احمدرضا پيشه ور، مجيد سلطاني

سعيد امانپور، آرمان رحميم

ابراهيم شيراني، مهدي معرفت، محسن ثقفيان، محمود اشرفي زاده