Diffüz Büyük B Hücreli lenfoma, Foliküler lenfoma veya Hodgkin lenfoma tanılı hastaların PET/BT görüntülerinde derin öğrenme kullanılarak patolojik tanısının yapılması
Pathological diagnosis of patients with Diffuse Large B-Cell lymphoma, Follicular lymphoma, or Hodgkin lymphoma using deep learning on PET/CT images
- Tez No: 1002755
- Danışmanlar: PROF. DR. HASAN İKBAL ATILGAN
- Tez Türü: Tıpta Uzmanlık
- Konular: Radyoloji ve Nükleer Tıp, Radiology and Nuclear Medicine
- Anahtar Kelimeler: Derin öğrenme, Lenfoma, CNN, Transformer, Deep learning, Lymphoma, CNN
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Hatay Mustafa Kemal Üniversitesi
- Enstitü: Tıp Fakültesi
- Ana Bilim Dalı: Nükleer Tıp Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Amaç: Bu çalışmada, Diffüz Büyük B Hücreli lenfoma (DBBHL), Hodgkin lenfoma (HL) ve Foliküler lenfoma (FL) tanılı hastaların çekilen Flor-18 FDG Pozitron Emisyon Tomografisi/Bilgisayarlı Tomografideki (F-18 FDG PET/BT) görüntü kesitleri kullanılarak derin öğrenme yöntemiyle hastalığın patolojik alt tipi belirlenmesi amaçlandı. Bilgisayar programının yüksek doğrulukla hastalık patolojik alt tipini bilmesi hedeflendi. Gereç ve Yöntem: 2014-2024 yılları arasında Hatay Mustafa Kemal Üniversitesi (HMKÜ) Nükleer Tıp Anabilim Dalı'nda F-18 FDG PET/BT görüntülemesi yapılan ve patolojik olarak DBBHL, HL ve FL tanısı almış hastalar tespit edildi. Henüz tedavi almamış ve evreleme amacıyla F-18 FDG PET/BT görüntülemesi yapılmış 164 hastaya ait F-18 FDG PET/BT görüntüleri retrospektif olarak incelendi. F-18 FDG PET/BT görüntülerinden patolojik tanı konulabilirliği değerlendirmek amacıyla Vision Transformer, ResNet-50, DenseNet-121, Xception, Swin Transformer ve LeViT algoritmaları karşılaştırmalı olarak değerlendirildi. Bulgular: Değerlendirilen derin öğrenme modelleri arasında en yüksek başarıya ulaşan model Swin Transformer olarak izlendi. Modelin doğruluğu %96,27 ve AUC değerleri 0.99-1.00 olarak hesaplandı. Diğer tüm metrikler ise %93'ün üzerinde bulunmuştur. Xception ve LeViT modelleri de çalışmada yüksek başarı göstermiş olup, doğrulukları sırasıyla %94 ve %93,52 olarak hesaplandı. DenseNet-121 %88 doğruluk göstererek orta-yüksek bir performans ortaya koydu. Vision Transformer %83,5 doğrulukla orta derecede performans gösterdi. En başarısız model %76,01 ile ResNet-50 olarak belirlendi. Sonuç: Yapay zekâ temelli algoritmalar, F-18 FDG PET/BT görüntülerindeki insan gözünün ayırt edemediği özellikleri değerlendirerek çok yüksek doğrulukla tahminler yapabilmiştir. Bu modeller gelecekte klinik karar destek mekanizması olarak çok yüksek potansiyel göstermekte olup, gelecekte gereksiz invaziv işlemleri engellemede ve yanlış işlemleri önlemedeki potansiyelini gösterdi.
Özet (Çeviri)
Objective: This study aimed to determine the pathological subtype of Diffuse Large B-Cell Lymphoma (DLBCL), Hodgkin Lymphoma (HL), and Follicular Lymphoma (FL) using deep learning methods applied to image slices obtained from Fluorine-18 FDG Positron Emission Tomography/Computed Tomography (F-18 FDG PET/CT). Materials and Methods: Patients who underwent F-18 FDG PET/CT imaging at the Nuclear Medicine Department of HMKU between 2014 and 2024 and had a pathological diagnosis of DLBCL, HL, or FL were identified. To assess the feasibility of predicting pathological diagnosis from F-18 FDG PET/CT images, Vision Transformer, ResNet-50, DenseNet-121, Xception, Swin Transformer, and LeViT algorithms were comparatively analyzed. Results: Among the evaluated deep learning models, the Swin Transformer achieved the highest performance. The model reached an accuracy of 96.27%, with AUC values ranging from 0.99 to 1.00. All other metrics were above 93%. Xception and LeViT also demonstrated high performance, with accuracies of 94% and 93.52%, respectively. DenseNet-121 showed moderate-to-high performance with an accuracy of 88%. Vision Transformer exhibited moderate performance with an accuracy of 83.5%, while the lowest performance was observed in ResNet-50 with 76.01% accuracy. Conclusion: Artificial intelligence–based algorithms can evaluate image features that are imperceptible to the human eye and achieve highly accurate predictions using F-18 FDG PET/CT images. These findings suggest that PET/CT imaging contains clinically valuable information beyond commonly used numerical parameters such as SUV. The models show strong potential as future clinical decision-support tools and may help prevent unnecessary invasive procedures and reduce the risk of incorrect interventions.
Benzer Tezler
- Non-Hodgkin lenfomalarda güncel sınıflama ve immünohistokimyasal değerlendirme
Current classification and immunohistochemistry evaluation in Non-Hodgkin lymphomas
ENVER DEMİR
Tıpta Uzmanlık
Türkçe
2013
PatolojiTrakya ÜniversitesiTıbbi Patoloji Ana Bilim Dalı
DOÇ. DR. FULYA ÖZ PUYAN
- Lenfoma tanılı hastalarda gemsitabin bazlı ve/veya bendamustin bazlı tedavi etkinliği
Gemcitabine-based and/or bendamustine-based therapy efficacy in patients with lymphoma
BİRGÜL AVDAN
Tıpta Uzmanlık
Türkçe
2022
HematolojiFırat Üniversitesiİç Hastalıkları Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MUSTAFA MERTER
- Hodgkin dışı lenfoma hastalarında pozitron emisyon tomografisinden hesaplanan indekslerin kemoterapi cevabını belirlemedeki yeri
The role of index values obtained from positron emission tomography for predicting prognosis in patients with Non-Hodgkins lymphomas
BURCU DİRLİK SERİM
Tıpta Uzmanlık
Türkçe
2013
HematolojiTrakya ÜniversitesiDahili Tıp Bilimleri Bölümü
PROF. DR. GÜLAY DURMUŞ ALTUN
- Malign lenfoma olgularında kemik iliği tutulumu ile klinik, histolojik ve laboratuvar parametreleri arasındaki ilişkiler
Başlık çevirisi yok
Ö.FEHMİ TABAK
- Otolog kök hücre nakli hastalarında sitomegalovirüs pozitifliği, tarama ve tedavi yaklaşımı
Cytomegalovirus positivity screening and treatment approach in autologous stem cell transplantation
MERAL ILGAZ ERGİN
Tıpta Uzmanlık
Türkçe
2018
HematolojiErciyes Üniversitesiİç Hastalıkları Ana Bilim Dalı
PROF. DR. LEYLAGÜL KAYNAR