Geri Dön

Atipik uterin kitlelerin tanısında uterin sarkom ve uterinmyom ayrımının manyetik rezonans görüntüleme radyomiksözellikleri kullanılarak makine öğrenmesi yöntemlerikullanılarak öngörülmesi

Differentiating uterine sarcoma from uterine leiomyoma in atypical uterine masses using mri-based radiomics features and machine learning methods

PDF İndir

  1. Tez No: 1000223
  2. Yazar: MUSTAFA DURMAZ
  3. Danışmanlar: PROF. DR. MERVE GÜLBİZ DAĞOĞLU KARTAL
  4. Tez Türü: Tıpta Uzmanlık
  5. Konular: Radyoloji ve Nükleer Tıp, Radiology and Nuclear Medicine
  6. Anahtar Kelimeler: Uterin kitle, leiomyosarkom, radyomiks, yapay zekâ, makine öğrenmesi, manyetik rezonans görüntüleme, Uterine mass, leiomyosarcoma, radiomics, artificial intelligence, machine learning, magnetic resonance imaging
  7. Yıl: 2026
  8. Dil: Türkçe
  9. Üniversite: İstanbul Üniversitesi
  10. Enstitü: Tıp Fakültesi
  11. Ana Bilim Dalı: Radyoloji Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

ÖZET Amaç: Bu çalışmanın amacı, multiparametrik manyetik rezonans görüntüleme (MRG) verilerinden elde edilen radyomik özelliklerinin, klinik bulgular ve konvansiyonel MRG bulguları ile entegre edilerek benign ve malign uterin kitlelerin ayrımında kullanılabilecek makine öğrenmesi modelleri geliştirmek ve bu modellerin başarılarını kıyaslamaktır. Gereç ve Yöntem: Ocak 2020–Ocak 2025 tarihleri arasında uterin kitle ön tanısı ile MRG incelemesi yapılan ve cerrahi sonrası histopatolojik tanısı bulunan 123 hasta retrospektif olarak değerlendirilmiştir (82 benign, 41 malign). Uterin lezyonlar LIFEx yazılımı kullanılarak manuel olarak segmente edilmiştir. T2, DWI, ADC ve kontrastlı T1 ağırlıklı serilerden çıkarılan toplam 227 radyomik özellik, klinik ve konvansiyonel değişkenlerle birlikte analiz edilmiştir. Bu özellikler kullanılarak 31 farklı veri seti oluşturularak CatBoost, Random Forest, Lojistik Regresyon, SVM ve Karar Ağacı algoritmaları ile toplam 155 model eğitilmiştir. Modellerin performansı AUC, doğruluk, F1, kesinlik (precision) ve duyarlılık (recall) değerleriyle kıyaslanmıştır. Bulgular: En iyi performans, T2-ağırlıklı radyomik ve klinik özellikleri içeren CatBoost modeli (df9) ile elde edildi (AUC: 0.985; doğruluk: %96.0; F1: %95.9; kesinlik: %96.2; duyarlılık: %96.0). Farklı özellikler kullanılarak oluşturulan modeller de benzer şekilde yüksek performans gösterdi (AUC: 0.92–0.97). Klinik/konvansiyonel MRG değişkenlerinden yaş, sınır özellikleri ve ADC değeri; radyomik değişkenlerden T2 intensite persentili, uniformity ve GLSZM large zone emphasis, malignite için en güçlü öngördürücü parametreler olarak saptandı. Sonuç: Multiparametrik MRG tabanlı radyomik özelliklerin, klinik ve konvansiyonel MRG bulguları ile entegre edilmesi, atipik uterin kitlelerin benign–malign ayrımında tanısal doğruluğu artırmak için faydalı olabilir. Geliştirilen CatBoost modeli, noninvaziv, tekrarlanabilir ve klinik olarak uygulanabilir bir yapay zekâ temelli makine öğrenmesi modelidir. Bu alanda dış doğrulamalı ve çok merkezli çalışmalar ile klinik karar destek mekanizması geliştirilebilir.

Özet (Çeviri)

ABSTRACT Objective: This study aimed to develop machine learning models integrating radiomic features derived from multiparametric magnetic resonance imaging (MRI) with clinical and conventional MRI parameters to differentiate benign from malignant uterine masses. Materials and Methods: A total of 123 patients (82 benign, 41 malignant) with histopathologically confirmed uterine masses who underwent preoperative MRI between January 2020 and January 2025 were retrospectively analyzed. Manual segmentations were performed using LIFEx software. A total of 227 radiomic features extracted from T2-weighted, DWI, ADC, and post-contrast T1-weighted images were combined with clinical and conventional MRI variables. Thirty-one datasets with different feature combinations were used to train 155 models employing CatBoost, Random Forest, Logistic Regression, Support Vector Machine, and Decision Tree algorithms. Model performance was assessed by AUC, accuracy, F1-score, precision, and recall metrics. Results: The best performance was achieved with the CatBoost model integrating T2-weighted radiomic and clinical features (df9), yielding an AUC of 0.985, accuracy of 96.0%, F1-score of 95.9%, precision of 96.2%, and recall of 96.0%. Models combining multiple MRI sequences also demonstrated high diagnostic performance (AUC 0.92–0.97). Among the most influential predictors were clinical/conventional MRI variables (age, border characteristics, ADC value) and T2-derived radiomic features such as 10th intensity percentile, uniformity, and GLSZM large zone emphasis. Conclusion: Integration of multiparametric MRI-based radiomics with clinical and conventional MRI findings improves diagnostic accuracy in differentiating benign and malignant uterine masses. The proposed CatBoost model represents a reliable, non-invasive, and clinically applicable artificial intelligence–based decision support tool. External validation and multi-centric studies are warranted.

Benzer Tezler

  1. Tez No

    453926

    Smear sonucunda atipik skuamöz hücre saptanan hastalarda serviks premalign ve malign lezyonlarının saptanma sıklığının belirlenmesi

    Determining the frequency of finding cervical premalign and malign lesions in patients having atypical squamous cells as seen in smear results

    SAIDA SAMADLI

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2016

    Kadın Hastalıkları ve Doğumİzmir Katip Çelebi Üniversitesi

    Kadın Hastalıkları ve Doğum Ana Bilim Dalı

    DOÇ. DR. İNCİM BEZİRCİOĞLU

  2. Tez No

    69980

    Anormal uterin kanaması olan perimenopozal dönemdeki olgularda uterin kavitenin sonohisterografi ile incelenmesi

    Evaluation of the uterine cavity with sonohysterography in perimenopausal cases with abnormal uterine bleeding

    BÜLENT BULUT

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    1998

    Radyoloji ve Nükleer TıpGata

    Radyodiagnostik Ana Bilim Dalı

    PROF. DR. A. FEVZİ KARSLI

  3. Tez No

    394040

    Uterin leiomyomlarda ve leiomyosarkomlarda MCM7 ve CD117 ekspresyonlarının kök hücre belirteçleri (CD34, CD44) ile ilişkisi ve uterin leiomyosarkomlarda prognostik parametrelerle ilişkisi

    The association of MCM7 and CD117 expressions with stem cell markers (CD34, CD44) in uterin leiomyomas and leiomyosarcomas and with prognostic parameters in uterin leiomyosarcomas

    YAHYA AVCI

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2015

    PatolojiDicle Üniversitesi

    Patoloji Ana Bilim Dalı

    YRD. DOÇ. DR. AYŞE NUR KELEŞ

  4. Tez No

    704824

    Hücre siklus düzenleyici proteinleri p16 ve p21'in uterin düz kas tümörlerindeki ekspresyonlarının değerlendirilmesi

    Evaluation of the expressions of celi cycle regulator proteins p16 and p21 in uterine smooth muscle tumors

    NURCAN ÜNVER

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2007

    PatolojiEskişehir Osmangazi Üniversitesi

    Patoloji Ana Bilim Dalı

    DOÇ. DR. MUSTAFA FUAT AÇIKALIN

  5. Tez No

    535714

    Genital kondilomu olan hastalarda servikal HPV ve intraepitelyal neoplazi sıklığı

    Başlık çevirisi yok

    GÖKHAN GÜLYAŞAR

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2019

    Kadın Hastalıkları ve DoğumSağlık Bilimleri Üniversitesi

    Kadın Hastalıkları ve Doğum Ana Bilim Dalı

    DOÇ. DR. ZEHRA MELTEM PİRİMOĞLU

Geri Dön