 جلسه دفاع پایان نامه: منیره خسروی، گروه مهندسی کامپیوتر
ارائه کننده: منیره خسروی چکيده: با توجه به آمار سازمان بهداشت جهانی (WHO)، سرطان علت اصلی مرگ و میر در سراسر جهان است، که ضروری است تا گامهایی در راستای پیشگیری از سرطان، تشخیص زود هنگام، و درمان آن برداشت. ما در این پژوهش، بر روی درک رشد تومور و بررسی اثر درمان رادیوتراپی تمرکز خواهیم کرد. در روش درمانی رادیوتراپی، دوز تجویز شده طی چندین جلسه به تومور تابانده میشود تا به آرامی تومور را از بین ببرند. در رادیوتراپی عادی، برنامه ریزی درمان به صورت کسر[1]های یکسانی از دوز است که در بازههای زمانی یکسان به تومور تابانده میشوند، مگر اینکه به تشخیص پزشک، این روند تغییر کند. مطالعات اخیر ادعا کردهاند که میتواند مزیتی در تغییر برنامهریزی درمان وجود داشته باشد. هدف این پایان نامه کشف چنین برنامههای شکنش نامتعارف با هدف به حداکثر رساندن احتمال تخریب تومورها و در عین حال به حداقل رساندن احتمال ایجاد عوارض جانبی شدید برای بافتهای اطراف میباشد. ما با استفاده از یادگیری تقویتی عمیق مسئله را به گونه ای مدلسازی کردیم که این عاملها بر روی یک مدل ریاضی رشد سرطان در بافت سالم به منظور بهینهسازی برنامه درمانی تابش دوز برای رادیوتراپی آموزش خواهند دید. بدین منظور، یک چارچوب الگوریتمی چند هدفه پیشنهاد شد تا سیاستهای درمانی موفقی پیدا کنند. مدل یادگیری تقویتی وضعیت اکسیژن، گلوکز و سلول را به عنوان ورودی دریافت میکند تا با دریافت جزییات بیشتری از مشاهدات محیط با استفاده از عاملهای الگوریتم یادگیری تقویتی عمیق مدرن گرادیان سیاست قطعی عمیق که در ساختار آن از شبکه عصبی پیش آموزش دیده MobileNetV2 استفاده شده است، بتوانند با در نظر گرفتن همزمان تاثیر تابش بر سلولهای سالم و سرطانی، فرایند رادیوتراپی را بهینه کنند. عامل آموزش دیده درمانی را پیشنهاد کردند که در از بین بردن تومور و استفاده از دوزهای کمتر پرتو، در مدت زمان درمان موفقیت آمیز کوتاهتر، به 100 درصد موفقیت رسیده است. |
