چکیده: مننژیوم شایعترین تومور اولیه سیستم عصبی مرکزی است که حدود 36٪ موارد کل و 53٪ از تومورهای غیر بدخیم را تشکیل میدهند. تشخیص مننژیوم ممکن است دشوار باشد زیرا تومور اغلب کند رشد میکند. علائم مننژیوم همچنین ممکن است ظریف باشد و با سایر شرایط سلامت اشتباه گرفته شود. ارزیابی حجمی و درجهبندی دقیق مننژیوم قبل از درمان و جراحی، برای برنامهریزی درمانی بسیار حائز اهمیت است. مسئله این تحقیق عبارت است از انتخاب طرح درمان برای بهینهسازی بقای افراد مبتلا به مننژیوما بر اساس تصویرکاوی و رویکرد یادگیری متضاد. برای این منظور از مجموعه داده تصاویر MRI و ویژگیهای سن و جنسیت بیماران مبتلا به تومور مننژیوما که از مرکز تصویربرداری مهدیه همدان جمعآوری شدهاند؛ استفاده شده است. که این تصاویر در سه درجه طبقهبندی شدهاند. در این تحقیق ابتدا سعی شد علاوهبر طبقهبندی تومور، مناسبترین روش درمان برای بیمار جدید با یک مطالعه گذشتهنگر نیز به پزشک پیشنهاد شود؛ اما به دلایل نامتوازن بودن روش درمانی در کلاسهای متفاوت و عدم امکان ایجاد داده جدید، درنهایت طبقهبندی مورد هدف این تحقیق قرار گرفت. برای این هدف ابتدا مدلهای باناظر و تکوظیفهای همچون یادگیری انتقالی برای دادهها اجرا شد که نیاز به داده برچسب گذاری شده در حجم بالا دارند. در جهت کاهش نیاز به داده برچسبگذاری شده در حجم بالا از دو رویکرد یادگیری متضاد و یادگیری چندوظیفهای استفاده شد. این تحقیق پیشبینی نوع مننژیوم را به عنوان یک مسئله یادگیری چند وظیفهای فرموله میکند. بنابراین، در این چارچوب، یادگیری ویژگی مورد علاقه، یعنی پیشبینی نوع تومور مننژیوما از طریق دادههای تصویربرداری، به عنوان وظیفه اصلی در نظر گرفته میشود، در حالی که دادههای اپیدمیولوژیک (سن و جنسیت) به عنوان وظایف کمکی عمل میکنند. با توجه به ارزیابیهای اولیه، نشان داده میشود که یادگیری مشترک دادههای بیماران منجر به پیشرفتهای قابلتوجهی نسبت به رویکردهای یادگیری تک وظیفهای و متضاد میشود. بهترین نتیجه از بین مدلهای یادگیری باناظر و تک وظیفهای مربوط به مدل از پیش آموزش داده شده DenseNet121 میباشد که دقت مدل برای داده تست 76.11% است. همچنین مدل یادگیری متضاد اجرا شده به دقت 70.14% برای داده تست رسید و در نهایت بهترین نتیجه توسط مدل یادگیری چندوظیفهای کسب شد که به دقت 100% برای داده تست رسید. همانطور که پیشبینی میشد، اضافه شدن ویژگیهای سن و جنسیت بیماران به تصاویر برای طبقهبندی و اجرای مدل یادگیری چندوظیفهای به بهبود عملکرد طبقهبندی کمک کرد و به این ترتیب نیاز به داده برچسبگذاری شده در حجم بالا کاهش پیدا میکند. درپایان، هدف این پژوهش کمک به پزشکان برای پیشبینی دقیق و سریعتر نوع تومور مننژیوما است. در نهایت این روش، به عنوان یک ابزار مفید به منظور پیشارزیابی برای متخصصان عمل میکند و اطلاعات کمکی را برای تصمیمگیری بالینی در ارزیابی قبل از درمان و جراحی ارائه میدهد.
