Geri Dön

Akciğer, meme ve kolorektal kaynaklı metastatik karaciğer lezyonlarının PET/BT görüntülerinden yapay zeka ile primer odağının belirlenmesi

Determination of the primary origin of liver metastases from lung, breast, and colorectal cancer using artificial intelligence on PET/CT images

PDF İndir

  1. Tez No: 1002468
  2. Yazar: FURKAN GÜR
  3. Danışmanlar: PROF. DR. HASAN İKBAL ATILGAN
  4. Tez Türü: Tıpta Uzmanlık
  5. Konular: Radyoloji ve Nükleer Tıp, Radiology and Nuclear Medicine
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: Türkçe
  9. Üniversite: Hatay Mustafa Kemal Üniversitesi
  10. Enstitü: Tıp Fakültesi
  11. Ana Bilim Dalı: Nükleer Tıp Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Amaç: FDG PET/BT görüntülerinde karaciğerdeki metastatik lezyonların primer kaynağını (meme, akciğer, kolorektal) ayırt etmede sınıflandırma, segmentasyon ve nesne tespiti temelli derin öğrenme modellerinin tanısal performansını değerlendirmek. Gereç ve Yöntem: 2019–2024 yılları arasında FDG PET/BT görüntülemesi yapılmış ve karaciğerde en az bir hipermetabolik lezyonu bulunan 280 hasta (87 akciğer, 98 meme, 95 kolorektal) retrospektif olarak incelendi. Lezyon anotasyonları nükleer tıp uzmanları tarafından manuel olarak yapıldı. Görüntüleme Siemens Biograph mCT cihazında, intravenöz ortalama 444 MBq FDG enjeksiyonundan yaklaşık 60 dakika sonra gerçekleştirildi. Veriler %80 eğitim, %10 doğrulama ve %10 test seti olacak şekilde ayrıldı. Görüntü sınıflandırmasında multiclass analiz için EfficientNet ve DenseNet121, multilabel analiz için ResNet-101 kullanıldı. Lezyon düzeyinde segmentasyon için YOLOv8n, nesne tespiti için YOLOv11n modelleri uygulandı. Model performansları doğruluk, F1 skoru, ROC–AUC, ortalama ortalama doğruluk (mAP) ve normalize edilmiş karışıklık matrisleri ile değerlendirildi. Bulgular: EfficientNet test doğruluğu %98,9 olup sınıf bazlı F1 skorları meme için 0,981, akciğer için 0,986 ve kolorektal için 0,995 olarak bulundu. DenseNet121 tüm sınıflarda ROC–AUC ≈ 1,000 değerine ulaştı. Multilabel ResNet-101 modeli, sınıf bazlı F1 skorlarını meme için 0,83, akciğer için 0,91, kolorektal için 0,88 olarak verirken, tüm sınıflarda ROC–AUC 1,0 elde edildi. Lezyon düzeyinde YOLOv8n segmentasyon modeli maske F1=0,87, kutu F1=0,88 değerlerine ulaştı; normalize matris doğrulukları kolorektal için %92, meme için %88 ve background için %89 olarak saptandı. YOLOv11n nesne tespiti modeli [email protected] >%80, [email protected]–0.95 ≈%55 değerlerine ulaştı; sınıf doğrulukları akciğer için %86, kolorektal için %85 ve meme için %80 olarak hesaplandı. Sonuç: Derin öğrenme modelleri, FDG PET/BT görüntülerinde metastatik karaciğer lezyonlarının primer kaynağını ayırt etmede yüksek tanısal performans göstermiştir. Multiclass sınıflandırma modelleri (EfficientNet, DenseNet121) neredeyse mükemmel doğruluk ve AUC değerleri sağlarken, lezyon düzeyinde YOLOv8n ve YOLOv11n modelleri dengeli segmentasyon ve tespit performansı ortaya koymuştur. Bu bulgular, yapay zekâ destekli PET/BT analizlerinin, hepatik metastazların ayırıcı tanısında klinik karar destek sistemlerine entegre edilebileceğini göstermektedir.

Özet (Çeviri)

Aim: To evaluate the diagnostic performance of deep learning models based on classification, segmentation, and object detection in differentiating the primary origin (breast, lung, colorectal) of metastatic liver lesions on FDG PET/CT images. Materials and Methods: A retrospective analysis was performed on 280 patients (87 lung, 98 breast, 95 colorectal) who underwent FDG PET/CT between 2019 and 2024 and had at least one hypermetabolic liver lesion. Lesion annotations were manually performed by nuclear medicine specialists. Imaging was conducted on a Siemens Biograph mCT scanner approximately 60 minutes after intravenous administration of a mean dose of 444 MBq FDG. Data were divided into training (80%), validation (10%), and test (10%) sets. For image classification, EfficientNet and DenseNet121 were used for multiclass analysis, and ResNet-101 for multilabel analysis. For lesion-level analysis, YOLOv8n was employed for segmentation and YOLOv11n for object detection. Model performances were evaluated using accuracy, F1 score, ROC–AUC, mean average precision (mAP), and normalized confusion matrices. Results: EfficientNet achieved a test accuracy of 98.9%, with class-wise F1 scores of 0.981 for breast, 0.986 for lung, and 0.995 for colorectal. DenseNet121 yielded ROC–AUC ≈ 1.000 across all classes. The multilabel ResNet-101 model produced class-specific F1 scores of 0.83 for breast, 0.91 for lung, and 0.88 for colorectal, with ROC–AUC = 1.0 for all classes. At the lesion level, YOLOv8n segmentation reached mask F1=0.87 and box F1=0.88; normalized confusion matrix accuracies were 92% for colorectal, 88% for breast, and 89% for background. The YOLOv11n object detection model achieved mAP 0.5 >80% and mAP 0.5–0.95 ≈55%; class accuracies were 86% for lung, 85% for colorectal, and 80% for breast. Conclusion: Deep learning models demonstrated high diagnostic performance in differentiating the primary origin of metastatic liver lesions on FDG PET/CT images. Multiclass classification models (EfficientNet, DenseNet121) achieved near-perfect accuracy and AUC values, while lesion-level YOLOv8n and YOLOv11n models exhibited balanced segmentation and detection performance. These findings indicate that AI-assisted PET/CT analysis could be integrated into clinical decision-support systems for the differential diagnosis of hepatic metastases.

Benzer Tezler

  1. Tez No

    396269

    Kolorektal kanserlerin tanı ve takibinde F-18 FGD PET-BT yönteminin yeri

    The role of F-18 FDG PET-CT in detecti̇on and follow up of colorectal cancers

    MEHMET ALPER ŞAHİN

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2015

    Radyoloji ve Nükleer TıpOndokuz Mayıs Üniversitesi

    Nükleer Tıp Ana Bilim Dalı

    DOÇ. DR. OKTAY YAPICI

  2. Tez No

    925236

    Karaciğer metastazlarının manyetik rezonans görüntülemede radiomiks özelliklerinin analizi ve makine öğrenmesi yöntemleri ile primer tümöre göre sınıflandırılması

    Radiomics analysis of liver metastases on mri and classification for primary site with machine learning

    YUNUS EMRE ÇAKMAKLI

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2025

    Radyoloji ve Nükleer TıpSağlık Bilimleri Üniversitesi

    Radyoloji Ana Bilim Dalı

    DOÇ. DR. MEHMET ÖNCÜ

  3. Tez No

    462581

    Metastatik kolon karsinomu tanısı almış olan hastalarda kişisel, klinik ve patolojik özelliklerin karşılaştırılması ve uzun sağkalımla ilişkili olup olmadığının değerlendirilmesi

    Comparison of personal, clinical and pathological features in patients with metastatic colon carcinoma and evaluation of whether associated with longer survival

    FERİDE YILMAZ

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2016

    OnkolojiKaradeniz Teknik Üniversitesi

    İç Hastalıkları Ana Bilim Dalı

    PROF. DR. FAZIL AYDIN

  4. Tez No

    841055

    Mikrosatellit instabil kolorektal tümörlerde lenf nodu metastaz varlığı ve buna etki eden klinikopatolojik verilerin değerlendirilmesi

    Başlık çevirisi yok

    BİLGE BAYRAM

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2023

    PatolojiSağlık Bilimleri Üniversitesi

    Tıbbi Patoloji Ana Bilim Dalı

    PROF. DR. ARMAĞAN GÜNAL

  5. Tez No

    478165

    Primer epitelyal ve metastatik over tümörlerinde SATB2 ekspresyonunun değerlendirilmesi

    The evaluation of SATB2 expression in primary epithelial and metastatic tumors of the ovary

    ESRA ÖZ

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2017

    PatolojiGaziantep Üniversitesi

    Patoloji Ana Bilim Dalı

    YRD. DOÇ. DR. ZEHRA BOZDAĞ

Geri Dön