Geri Dön

Radyoterapi süreçlerinde beyin ödemi tespiti: Derin öğrenme modelleri destekli yöntem

Detection of brain edema in radiotherapy processes: A method supported by deep learning models

PDF İndir

  1. Tez No: 1025112
  2. Yazar: MUHAMMED BERAT ÖZGÜNGÖRDÜ
  3. Danışmanlar: DOÇ. DR. METE YAĞANOĞLU
  4. Tez Türü: Yüksek Lisans
  5. Konular: Radyasyon Onkolojisi, Radyoloji ve Nükleer Tıp, Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Radiation Oncology, Radiology and Nuclear Medicine, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2026
  8. Dil: Türkçe
  9. Üniversite: Atatürk Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Amaç: Çalışma, tedavi sonrası glioma MR görüntülerinde çevresel kontrast tutmayan FLAIR hiperintensitesi olarak tanımlanan SNFH bölgesinin derin öğrenme tabanlı yöntemlerle otomatik segmentasyonunu amaçlamaktadır. SNFH, saf peritümöral ödem ile özdeş değildir; infiltratif tümör kalıntısı, psödoprogresyon, radyonekroz ve tedaviye bağlı FLAIR değişiklikleri gibi farklı süreçleri içerebilen heterojen bir görüntüleme bulgusudur. Belirtilen alanın tekrarlanabilir biçimde belirlenmesi, klinik değerlendirme ve radyoterapi planlama süreçlerinde uzman değerlendirmesini destekleyebilecek önemli bir ön-segmentasyon adımıdır. Yöntem: Çalışmada BraTS 2024 GLI tedavi sonrası glioma MR veri seti kullanılmıştır. SNFH hedef bölge olarak seçilmiş ve diğer tüm etiketler arka plan kabul edilerek ikili segmentasyon maskeleri oluşturulmuştur. Veri seti, hasta bazlı train/validation/test bölümleme protokolüyle ayrılmıştır. Başlangıçta tek kanallı T2-FLAIR girişli 2D U-Net modeli değerlendirilmiştir. Ana deneysel çerçevede ise T1c, T1n, T2-FLAIR ve T2w modalitelerini birlikte kullanan dört kanallı 2D U-Net mimarisi temel alınmıştır. Model başarımı Dice, IoU, Precision, Recall ve HD95 metrikleriyle değerlendirilmiştir. Doğrulama tabanlı eşik optimizasyonu, veri artırmalı eğitim ve 3D bağlı bileşen temelli son işleme adımları incelenmiştir. Bulgular: Dört kanallı temel model olan EXP-003, test kümesinde 0,7756 Dice, 0,7468 IoU, 0,7900 Precision, 0,9415 Recall, 0,8498 vaka düzeyi Dice ve 15,3672 HD95 ortalama değerine ulaşmıştır. Veri artırmalı dört kanallı model, eşik optimizasyonu ve 3D bağlı bileşen temelli son işleme ile geliştirilen nihai değerlendirme hattı EXP-004-T-PP ise 0,8943 dilim düzeyi Dice, 0,8591 IoU, 0,9551 Precision, 0,8904 Recall, 0,7916 vaka düzeyi Dice ve 9,5074 HD95 ortalama değeri elde etmiştir. Sonuçlar, çok modlu MR girdisinin, eşik optimizasyonunun ve son işleme adımının dilim düzeyi örtüşme, kesinlik ve sınır uyumu metriklerine katkı sağladığını göstermektedir. Sonuç: Geliştirilen dört kanallı 2D U-Net tabanlı yöntem hattı, tedavi sonrası glioma MR görüntülerinde SNFH bölgesinin otomatik segmentasyonu için uygulanabilir ve tekrarlanabilir bir ön-segmentasyon yaklaşımı sunmaktadır. Çok modlu MR görüntülerinin birlikte kullanılması, tek kanallı yaklaşıma göre segmentasyon başarımını artırmıştır. Doğrulama tabanlı eşik optimizasyonu ve 3D bağlı bileşen temelli son işleme adımları değerlendirme hattını güçlendirmiştir. Elde edilen çıktılar otonom klinik karar aracı olarak değil; radyolog veya radyasyon onkoloğu tarafından incelenip doğrulanabilecek yardımcı bir ön-segmentasyon desteği olarak değerlendirilmelidir.

Özet (Çeviri)

Purpose: This study aims to automatically segment the SNFH region, defined as surrounding non-enhancing FLAIR hyperintensity, in post-treatment glioma MR images using deep learning-based methods. SNFH is not identical to pure peritumoral edema; it is a heterogeneous imaging finding that may include different processes such as infiltrative tumor residue, pseudoprogression, radiation necrosis, and treatment-related FLAIR changes. The reproducible identification of the specified region is an important pre-segmentation step that may support expert evaluation in clinical assessment and radiotherapy planning processes. Method: In this study, the BraTS 2024 GLI dataset of post-treatment glioma MR images was used. SNFH was selected as the target region, and all other labels were treated as background to generate binary segmentation masks. The dataset was split using a patient-level train/validation/test protocol. Initially, a single-channel T2-FLAIR 2D U-Net model was evaluated. The main framework adopted a four-channel 2D U-Net using T1c, T1n, T2-FLAIR, and T2w modalities. Performance was evaluated with Dice, IoU, Precision, Recall, and HD95 metrics. Validation-based threshold optimization, data augmentation, and 3D connected component-based post-processing were also examined. Findings: EXP-003, the four-channel baseline model, achieved 0.7756 Dice, 0.7468 IoU, 0.7900 Precision, 0.9415 Recall, 0.8498 case-level Dice, and 15.3672 mean HD95 on the test set. EXP-004-T-PP, the final evaluation pipeline developed with the data-augmented four-channel model, threshold optimization, and 3D connected component-based post-processing, achieved 0.8943 slice-level Dice, 0.8591 IoU, 0.9551 Precision, 0.8904 Recall, 0.7916 case-level Dice, and 9.5074 mean HD95. The results show that multi-modal MR input, threshold optimization, and the post-processing step contribute to slice-level overlap, precision, and boundary agreement metrics. Result: The developed four-channel 2D U-Net-based method pipeline provides an applicable and reproducible pre-segmentation approach for automatic SNFH segmentation in post-treatment glioma MR images. The combined use of multi-modal MR images improved segmentation performance compared with the single-channel approach. Validation-based threshold optimization and 3D connected component-based post-processing strengthened the evaluation pipeline. The obtained outputs should not be considered an autonomous clinical decision-making tool; rather, they should be regarded as an auxiliary pre-segmentation aid to be reviewed and verified by a radiologist or radiation oncologist.

Benzer Tezler

  1. Tez No

    157834

    Kliniğimizde akciğer kanseri tanısı alan hastaların prospektif olarak değerlendirilmesi ve sağkalıma etki eden faktörlerin belirlenmesi

    Başlık çevirisi yok

    ADEM DİRİCAN

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2004

    Göğüs HastalıklarıOndokuz Mayıs Üniversitesi

    Göğüs Hastalıkları Ana Bilim Dalı

    Y.DOÇ.DR. SERHAT FINDIK

  2. Tez No

    1012863

    Meme kanseri hastalarında HGF VE FHL2'nin klinik, sağkalım ve prognostik önemi

    Clinical, survival, and prognostic significance of HGF and FHL2 in breast cancer patients

    ÖZNUR EREN BÜTÜN

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2026

    Radyasyon OnkolojisiSivas Cumhuriyet Üniversitesi

    Radyasyon Onkolojisi Ana Bilim Dalı

    PROF. DR. BİRSEN YÜCEL

  3. Tez No

    972602

    İki farklı tedavi planlama sistemi ile oluşturulan grade II beyin tümörü hastalarının radyoterapi planlarının karşılaştırılması

    Comparison of radiotherapy plans for grade II brain tumor patients created with two different treatment planning systems

    AHMET BABACAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2025

    Radyasyon OnkolojisiTrakya Üniversitesi

    Sağlık Fiziği Ana Bilim Dalı

    PROF. DR. VUSLAT YÜRÜT ÇALOĞLU

  4. Tez No

    934336

    Derin öğrenme uygulaması destekli pekiştirmeli öğrenme algoritması ile beyin kanserileri tanı ve sınıflandırılmasında arayüz oluşturulması

    Development of interface for the diagnosis and classification of brain cancers with reinforcement learning algorithm supported by deep learning application

    SEDA ARIKAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2025

    Mühendislik BilimleriAkdeniz Üniversitesi

    Biyomedikal Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ÇİĞDEM SARAÇ

    DOÇ. DR. YİĞİT ALİ ÜNCÜ

  5. Tez No

    425873

    Analysis of dose rate-tumor response with a mathematical model in treatment of intracranial metastases with Gamma Knife Radiosurgery

    İntrakranial metastazların Gamma Knife Radyocerrahisi ile tedavisinde doz hızı-tümör cevabının matematik modelle incelenmesi

    ALAATTİN FİDAN

    Yüksek Lisans

    İngilizce

    İngilizce

    2016

    BiyomühendislikMarmara Üniversitesi

    Biyomühendislik Ana Bilim Dalı

    DOÇ. DR. KAZIM YALÇIN ARĞA

Geri Dön