fa مرزبندی فیبروز میوکارد در تصاویر ام آرآی کسب‌شده با ماده حاجب بیماران کاردیومیوپاتی هیپرتروفیک با یادگیری عمیق مدیریت اطلاعات سلامت Health Information Management پژوهشي Research <div style="text-align:right"><span style="font-size:12px"><span style="font-family:Tahoma"><strong><span dir="RTL" lang="FA">مقدمه:</span></strong> <span dir="RTL" lang="FA">مرزبندی دقیق نواحی مبتلابه فیبروز میوکارد در تصاویر ام</span><span dir="RTL" lang="FA">‌</span><span dir="RTL" lang="FA">آرآی کسب‌شده با ماده حاجب نقش بسیار مهمی در پایش بیماران کاردیومیوپاتیک هیپرتروفیک و ارزیابی ریسک ابتلای آن</span><span dir="RTL" lang="FA">‌</span><span dir="RTL" lang="FA">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</span><span dir="RTL" lang="FA">‌</span><span dir="RTL" lang="FA">تواند نقش بسزایی در تسریع و افزایش کارایی آن بگذارد. هدف از مطالعه انجام‌شده، استفاده از یک مدل مبتنی بر یادگیری عمیق برای خودکار کردن فرایند مرزبندی فیبروز میوکارد در تصاویر ام</span><span dir="RTL" lang="FA">‌آرآی کسب‌شده با ماده حاجب بیماران در کاردیومیوپاتیک هیپرتروفیک بود.</span><br> <strong><span dir="RTL" lang="FA">روش&shy;ها:</span></strong> <span dir="RTL" lang="FA">در این پژوهش از پشت سر هم قرار گرفتن سه مدل مشابه برگرفته از شبکه</span><span dir="RTL" lang="FA">‌</span><span dir="RTL" lang="FA">ی یونت، به ترتیب برای تشخیص ناحیه هدف، رسم مرزهای میوکارد و مرزبندی دقیق نواحی مبتلابه فیبروز استفاده‌شده است. برای انجام این پژوهش، از تصاویر ام</span><span dir="RTL" lang="FA">‌آرآی کسب‌شده با ماده حاجب ۴۱ بیمار مبتلابه کاردیومیوپاتی استفاده شد که توسط دو متخصص با سابقه مرزبندی شده بودند.</span><br> <strong><span dir="RTL" lang="FA">یافته&shy;ها:</span></strong> <span dir="RTL" lang="FA">مدل استفاده‌شده 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</span><span dir="RTL" lang="FA">‌های قبلی کارایی بالاتری ارائه دهد.</span><br> <strong><span dir="RTL" lang="FA">نتیجه‌گیری</span></strong><span dir="RTL" lang="FA">:</span> <span dir="RTL" lang="FA">نتایج به‌دست‌آمده از این مطالعه نشان دادند که استفاده از روش</span><span dir="RTL" lang="FA">‌</span><span dir="RTL" lang="FA">های یادگیری عمیق در روند رسم مرزهای فیبروز میوکارد، علاوه بر خودکارسازی این فرایند، حذف نیاز به تخصص و همچنین کاهش زمان، می</span><span dir="RTL" lang="FA">‌توانند کارایی این عمل را نسبت به روش-های ارائه‌شده پیشین افزایش دهند.</span></span></span></div> <div style="text-align: justify;"><span style="font-size:12px;"><span style="font-family:Times New Roman;"><b><span lang="EN-GB">Introduction</span></b><span lang="EN-GB">:</span> Accurate delineation of myocardial fibrosis in Late Gadolinium Enhancement Cardiac Magnetic Resonance (LGE-CMR) has a crucial role in the assessment and risk stratification of HCM patients. As this is time-consuming and requires expertise, automation can be essential in accelerating this process. This study aims to use Unet-based deep learning methods to automate the mentioned process.<span lang="EN-GB" style="font-size:10.0pt"></span><br> <b><span lang="EN-GB">Methods</span></b><span lang="EN-GB">:</span> This study used three consecutive Unet-based networks for Region of Interest (ROI) detection, myocardial segmentation, and fibrosis delineation. The study was conducted on LGE images of 41 images diagnosed with HCM, which were contoured by two experts.<span lang="EN-GB" style="font-size:10.0pt"></span><br> <b><span lang="EN-GB">Results</span></b><span lang="EN-GB">:</span> <span lang="EN-GB">This model reported a Dice similarity coefficient and accuracy of 89.74 and 98.22 in myocardial segmentation and 88.42 and 94.66 in fibrosis delineation, respectively, and could outperform the previous methods</span><br> <b><span lang="EN-GB">Conclusion</span></b><span lang="EN-GB">:</span> <span lang="EN-GB">The results confirm that using deep learning methods for delineating myocardial fibrosis not only can automate the process, but also helps improve the results and decrease the required time.</span></span></span></div> یادگیری عمیق, ام‌آرآی قلب, فیبروز میوکارد Deep Learning, Cardiac Magnetic Resonance, CMR, Myocardial Fibrosis 139 155 http://jha.iums.ac.ir/browse.php?a_code=A-10-4266-2&slc_lang=fa&sid=1 Mostafa Langarizadeh مصطفی لنگری زاده langarizadeh.m@iums.ac.ir 11200319475328460029573 11200319475328460029573 No Associate Professor, School of Health Management and Information Sciences, Iran University of Medical Sciences, Tehran دانشیار، دانشکده مدیریت و اطلاع‌سانی پزشکی، دانشگاه علوم پزشکی و خدمات بهداشتی درمانی ایران، تهران Mahya Jahanshahi محیا جهانشاهی jahanshahi.m@iums.ac.ir 11200319475328460029574 11200319475328460029574 Yes M.Sc. Student, School of Health Management and Information Sciences, Iran University of Medical Sciences, Tehran دانشجوی کارشناسی ارشد، دانشکده مدیریت و اطلاع‌رسانی پزشکی، دانشگاه علوم پزشکی و خدمات بهداشتی درمانی ایران، تهران Toktam khatibi توکتم خطیبی 11200319475328460029575 11200319475328460029575 No Associate Professor, School of Industrial and Systems Engineering, Tarbiat Modares University, Tehran, Iran دانشیار، دانشکده صنایع و سیستم‌ها، دانشگاه تربیت مدرس، تهران