Yüksek dereceli glial tümörlerde psödoprogresyon ve gerçek tümör progresyonunun ayrımında radyomik ve makine öğrenmesi
Radiomics and machine learning in the differentiation of pseudoprogression and true tumor progression in high-grade gliomas
- Tez No: 576195
- Danışmanlar: PROF. DR. ÖMER KİTİŞ
- Tez Türü: Tıpta Uzmanlık
- Konular: Radyoloji ve Nükleer Tıp, Radiology and Nuclear Medicine
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2018
- Dil: Türkçe
- Üniversite: Ege Üniversitesi
- Enstitü: Tıp Fakültesi
- Ana Bilim Dalı: Radyoloji Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 74
Özet
İntrakranial neoplazilerin tedavi cevabının değerlendirilmesi hastanın prognozu ve tedavi yönetimi açısından önemlidir. Amacımız radyolojik doku analizi ('texture' analizi veya radyomik) ve makine öğrenmesi algoritmaları kullanarak psödoprogresyon ve gerçek tümör progresyonu ayrımını yapmak, texture analizi (radyolojik doku analizi) ile insan gözünün ayırt edemediği farklılıkları ortaya koymaktır. Histopatolojik tanısı mevcut 12 psödoprogresyon ve 38 tane gerçek progresyon hastası çalışmaya dahil edildi. Prekontrast ve postkontrast T1A, T2A, FLAIR, ADC, CBV, CBF, K2, MTT haritaları kullanıldı. Makine öğrenmesi algritmaları için segmentasyonlar manuel olarak ücretsiz ITK-SNAP versiyon 3.6 yazılımı kullanılarak kıdemli (asistanlığının son yılına girmiş) radyoloji asistanı tarafından yapıldı. Solid kontrastlanan tümör alanı, solid kontrastlanmayan tümör alanı, nekroz, ödem, kist, kanama alanları manuel olarak çizilerek segmente edildi. Radyolojik doku özellikleri ('texture features') birinci ve ikinci derece istatistik yöntemleri ile oluşturuldu. İstatistik analizler için Students t-test ve ROC eğrileri, tek yönlü ANOVA ve post-hoc Bonferroni kullanıldı. Makine öğrenmesi yöntemlerinden RF ('Random Forest') kullanıldı. Veri setinin % 70'i eğitim için kullanılırken %30'u test için ayrılmıştı. 1. ve 2. visitler için nodüler tarzda kontrastlanma elimizdeki vaka serisinde daha çok psödoprogresyon hastalarında izlendi (1. Visit OR: 0.14, 2.visit OR: 0.19). CBV ve CBF değerlerinin düşük olması psödoprogresyon lehine idi (OR: 0.09, p
Özet (Çeviri)
Purpose: Patients undergoing treatment for high-grade gliomas may exhibit indistinguishable MRI ndings of true tumor progression from pseudoprogression. We employed to shape and texture features on a machine learning algorithm to make accurate predictions compared to human observations. Materials and Methods: Three consecutive studies prior to a denitive biopsy in 50 high-grade glioma patients who underwent treatment were evaluated. The last study before revision surgery with a known pathology result (12 pseudoprogression and 38 true progressions) was chosen as the nal time point. Pre-post-contrast T1, T2, FLAIR, ADC, CBV, CBF, K2, MTT maps were reviewed by 2 neuroradiologists. Patterns of enhancement, ADC maps, CBV, CBF, MTT, K2 values, perifocal FLAIR signal intensity changes were recorded. Odds ratios (OR) for each statement, raters' success of predicting true and pseudoprogression and inter-observer reliability were calculated with R statistics software. To compare the texture parameters and histogram parameters of pseudo and true progression groups, the unpaired Student's t-test and receiver operating characteristic (ROC) analysis were applied. All rst-order and second-order image texture features and shape features were used for training and testing Random Forest classier (RFC). Results: For the first visit, none of the observers could identify true progression. For the first and second visits, the rater's success of prediction for the visits before biopsy were %72 and %62. The AUC for the same visits with RFC was %81, the success by using first order texture analysis alone was between %61 and %68. For the first visit, the AUC of the RFC model was %70 where second-order texture analysis could distinguish the groups between %65 and %67. Conclusions: Radiologists success by using both conventional MRI and perfusion maps was lower than RF classier success using conventional MRI images alone. Second order texture features were useful to make better predictions than human raters.
Benzer Tezler
- Yüksek dereceli glial tümörlerde serum ve doku amino asit düzeylerinin belirlenmesi
Determination of serum and tissue amino acid levels in high-grade glial tumors
SÜREYYA TOKLU
Tıpta Uzmanlık
Türkçe
2021
Nöroşirürjiİstanbul Üniversitesi-CerrahpaşaBeyin ve Sinir Cerrahisi Ana Bilim Dalı
DOÇ. DR. RAHŞAN KEMERDERE
- Yüksek Gradeli Glial tümörlerde EGFR,EPOR,VEGF düzeylerinin araştırılması
Investigation of EGFR, EPOR, VEGF Levels in high grade glial tumors
SERDAR ÇEVİK
Tıpta Uzmanlık
Türkçe
2014
NöroşirürjiBezm-i Alem Vakıf ÜniversitesiNöroşirürji Ana Bilim Dalı
PROF. DR. SAFFET TÜZGEN
- Düşük dereceli glial tümörlerde sağkalımı etkileyen faktörler ve Ki-67 proliferatif indeksinin prognostik öneminin izlenmesi
Factors affecting the survival of low grade gliomas and monitoring of the prognostic significance of Ki -67 proliferation index
PINAR GÖKÇEN
Tıpta Uzmanlık
Türkçe
2012
OnkolojiUludağ Üniversitesiİç Hastalıkları Ana Bilim Dalı
DOÇ. DR. ENDER KURT
- Primer glial tümörlerde düşük ve yüksek dereceli ayrımında konvansiyonel MR ve ileri MR tetkiklerinin karakteristiklerinin değerlendirilerek; histopatolojik derece ile korelasyonunun araştırılması
The use of conventional and advanced MRI techniques in evaluation of low- and high grade primary glial tumor in correlation to their histopathological characteristics
SELİM ŞEKER
Tıpta Uzmanlık
Türkçe
2019
NöroşirürjiSağlık Bilimleri ÜniversitesiBeyin ve Sinir Cerrahisi Ana Bilim Dalı
DOÇ. DR. TAMER ALTAY
- Diffüz ve yüksek dereceli glial tümörlerde miRNA ekspresyon değişimlerinin belirlenmesi
Detection of miRNA expression changes in diffuse and high grade glial tumors
SUNDE YILMAZ SÜSLÜER