• شماره مدرك
    20686
  • شماره راهنما
    17784
  • پديد آورنده

    زارع عظمت خواه، صادق

  • عنوان

    پيش‌بيني توزيع دوز در پرتودرماني به شيوه IMRT در بيماران مبتلا به سرطان پروستات با استفاده از مدل ‌H-vmunet

  • مقطع تحصيلي
    كارشناسي ارشد
  • گرايش تحصيلي
    كنترل
  • محل تحصيل
    اصفهان : دانشگاه صنعتي اصفهان
  • سال دفاع
    1404
  • صفحه شمار
    ده، 65ص. : مصور، جدول، نمودار
  • توصيفگر ها

    پرتودرماني , برنامه‌ريزي درمان , پيش‌بيني دوز , يادگيري عميق

  • تاريخ ورود اطلاعات
    1404/08/25
  • كتابنامه
    كتابنامه
  • رشته تحصيلي
    مهندسي برق
  • دانشكده
    مهندسي برق و كامپيوتر
  • تاريخ ويرايش اطلاعات
    1404/08/26
  • كد ايرانداك
    23183077
  • چكيده فارسي
    پرتودرماني با شدت مدوله‌شده يكي از روش‌هاي كليدي در درمان سرطان پروستات مي‌باشد. فرآيند برنامه‌ريزي درمان در اين تكنيك، يك چالش پيچيده، زمان‌بر و تا حد زيادي وابسته به تجربه متخصصان است. اين موضوع مي‌تواند منجر به تغييرپذيري در كيفيت نهايي طرح درماني شود. اين پژوهش با هدف پاسخگويي به اين محدوديت‌ها و چالش‌ها، يك چارچوب نوين مبتني بر يادگيري عميق براي پيش‌بيني خودكار و دقيق توزيع دوز ارائه مي‌دهد. به اين منظور، معماري H-vmunet كه بر پايه مدل‌هاي فضاي حالت Mamba (Vision Mamba) و ساختار U-Net بنا شده، به كار گرفته شد. عملكرد مدل پيشنهادي در يك تحليل مقايسه‌اي جامع، با دو مدل پايه استاندارد 2D-Unet و 3D-Unet مورد ارزيابي قرار گرفته است. اين پژوهش در نهايت نشان مي‌دهد كه چارچوب ارائه شده، پتانسيل بالايي براي افزايش دقت، سرعت و استانداردسازي فرآيند برنامه‌ريزي پرتودرماني داشته و مي‌تواند به عنوان يك ابزار كمكي قدرتمند در اختيار تيم درماني قرار گيرد.
  • چكيده انگليسي
    Intensity-Modulated Radiation Therapy (IMRT) is a key technique in the treatment of prostate cancer. The treatment planning process for this technique is a complex, time-consuming challenge that is largely dependent on the experience of specialists, which can lead to variability in the quality of the final treatment plan.To address these limitations an‎d challenges, this study proposes a novel deep learning-based framework for the automatic an‎d accurate prediction of dose distribution. For this purpose, the H-vmunet architecture, which is based on Mamba state-space models (Vision Mamba) an‎d the U-Net structure, was employed. The performance of the proposed model was eva‎luated in a comprehensive comparative analysis against two stan‎dard baseline models: 2D-UNet an‎d 3D-UNet. Finally, this study demonstrates that the proposed framework has high potential to increase the accuracy, speed, an‎d stan‎dardization of the radiation therapy planning process, an‎d can serve as a powerful assistive tool for the clinical team.
  • استاد راهنما
    مريم ذكري
  • استاد مشاور
    جلال ذهبي , ايرج عابدي
  • استاد داور
    مرضيه كمالي , جعفر قيصري