@Article{Gorczewski2003,
journal="Contemporary Oncology/Współczesna Onkologia",
issn="1428-2526",
volume="7",
number="1",
year="2003",
title="Zastosowanie sieci neuronowych i spektroskopii 1H MR in vivo w rozpoznawaniu guzów mózgu",
abstract="Wczesna diagnostyka wznowy procesu nowotworowego ma kolosalne znaczenie jako czynnik wydłużający przeżycie w przypadku chorych leczonych operacyjnie z powodu guza mózgu. Podstawowe narzędzia diagnostyczne, takie jak tomografia MR (MRI) i tomografia komputerowa (TK), są w tej grupie chorych zawodne, ze względu na wzmocnienie kontrastowe utrzymujące się przy loży pooperacyjnej do kilku tygodni po operacji. Spektroskopia  1 H MR dostarcza w takich przypadkach dodatkowych danych, które wspomagają diagnozowanie.   Istotną kwestią w diagnostyce jest wyłączenie wszelkich potencjalnych źródeł błędów. W przypadku spektroskopii protonowej służy temu wykorzystanie w analizie widm  1 H MR, metody niezależnej od operatora i automatycznego systemu interpretacji danych.  Takim automatycznym systemem interpretacji i klasyfikacji danych jest sieć neuronowa. Analizie poddano 48 widm protonowych zarejestrowanych z okolicy loży pooperacyjnej po wycięciu gwiaździaków złośliwych (astrocytoma anaplasticum) oraz 24 widma otrzymane z okolicy loży po usunięciu guzów typu glejak wielopostaciowy (glioblastoma multiforme). Grupę porównawczą stanowiło 18 zdrowych ochotników. Widma  1 H MR zostały zarejestrowane przy użyciu sekwencji PRESS z obszarów o objętości 1,5x1,5x1,5 cm 3  i przy zastosowaniu następujących parametrów: TR=1 500 ms, TE=35 ms i 100 Acq. Rozdział widm przeprowadzono półautomatyczną metodą drugiej pochodnej.  Celem pracy było poznanie zasad decyzyjnych sieci neuronowych, przygotowanie danych uczących do procesu klasyfikacji. Porównano zdolności klasyfikacyjne dwóch sieci wielowarstwowych uczonych algorytmem wstecznej propagacji błędów oraz algorytmu opartego na logice rozmytej ( Simplified Fuzzy Adaptive Resonance Map , SFAM).  Uzyskane wyniki wskazują, że proste algorytmy uczenia pozwalają efektywnie odróżniać widma tkanki nowotworowej od widm zdrowego mózgu. Różnicowanie typów guzów wymaga jednak bardziej wyrafinowanych algorytmów. Metoda wstecznej propagacji umożliwia rozróżnianie typów histologicznych z dokładnością 81 proc. i czułością równą 87 proc. W przypadku metody SFAM odpowiednie wartości wynoszą 87 i 93 proc. Wykonane testy wykazują, że jako dane wejściowe dla sieci neuronowej mogą być stosowane zarówno znormalizowane intensywności integralne sygnałów grup funkcyjnych metabolitów mózgowych, jak i ich proporcje.  Praca stanowi krok w kierunku stworzenia procedur analizy danych spektroskopowych przy pomocy systemów sztucznej inteligencji.",
author="Gorczewski, Kamil
and Sokół, Maria",
pages="62--66",
url="https://www.termedia.pl/An-application-of-neural-networks-and-1-H-MR-in-vivo-spectroscopy-in-brain-tumors-recognition,3,147,1,1.html"
}