Predicting von hippel lindau (VHL), polybromo-1 (PBRM1)mutations and stages of clear cell renal cell carcinomafrom computed tomography images by machine learning
Bilgisayarli tomografi görüntülerinden makine ögrenmesi ileberrak hücreli böbrek karsinomun von hippel lindau (VHL)ve polybromo-1 (PBRM1) mutasyonlarinin ve evrelerinintahmin edilmesi
- Tez No: 592623
- Danışmanlar: DOÇ. DR. ALBERT GÜVENİŞ
- Tez Türü: Yüksek Lisans
- Konular: Biyomühendislik, Bioengineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2019
- Dil: İngilizce
- Üniversite: Boğaziçi Üniversitesi
- Enstitü: Biyo-Medikal Mühendislik Enstitüsü
- Ana Bilim Dalı: Biyomedikal Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 57
Özet
BHK en fazla görülen böbrek kanseridir ve BHBK, en sık görülen BHK alt tipidir. BHBK çalısmaları kanserli BT görüntüleri ile gen mutasyonları arasında bir korelasyon oldugunu göstermektedir (radyogenomik). Ayrıca, prognozun VHL mutasyonunu ile güçlü bir iliskisi oldugu, ve BHBK için hayatta kalma belirteci oldugu rapor edilmistir. PBRM1 geni, BHBK'de en yaygın ikinci mutasyondur. BHBK'ni tanımlamak için büyük bir potansiyele ve BHBK nın ilerlemesinde kritik bir role sahiptir. Dahası, mevcut tedavi olanakları çogunlukla evre bilgileriyle ilgilidir. Erken evrede BHK'lı hastaların% 50'sinden fazlası tedavi edilir, ancak tedavi seçenekleri evre 3 ve 4'te sınırlıdır. Bu nedenle erken tanı hastalar için önemlidir. Ayrıca, yaygın olarak kullanılan tanı yöntemleriden biyopsi, hastayı duygusal tahrip etme, saglıklı dokuya zarar verme veya tümörü yayabilme potansiyeline sahiptir. Bir axial slayt üzerinden en buyuk tumore gore nicel 2D BT görüntüleriyle, VHL ve PBRM1 mutasyonları ile evrenin dogrulukla tahmin edilebilecegini varsaydık. TCGA-KIRC datasını kullandık ve ilgili bölge uzman bir radyolog tarafından çizildi. Radiogenomik ozellikler çıkarılıkdıktan sonra özellik seçimleri yapıldı. MATLAB'da hem CL hem de ANN kullanılarak sınıflandırma yapıldı. Alınan sonuçlar, CL'de Fine Gaussian SVM modelinin VHL ve NON-VHL verilerini 68.6%, k-NN with Random Subspace modelinin PBRM1 ve NON-PBRM1'i % 84.9 dereceleriyle dogru tahmin edebildigini gösterirken, ANN modelinin evreyi % 91.9 dogru tahmin edebildigini gösterdi. Bu çalısmadan, ML ile tek slayt bazlı nicel 2D BT doku analizinin, BHBK'li hastalarda VHL ve PBRM1 mutasyonlarını ve evreyi tahmin etmek için uygun ve potansiyellı bir yöntem oldugu anlasılmaktadır.
Özet (Çeviri)
RCC is the most prevalent renal malignancy and ccRCC is the most common subtype of RCC. It is reported that the prognosis has a strong association with VHL alteration, and VHL mutation plays a role as a predictive and survival marker for ccRCC. It is also reported that PBRM1 gene has great potential to identify ccRCC and a critical role in ccRCC progression. It is the second most common alteration in ccRCC. Moreover, available treatment opportunities are mostly related to stage information. More than 50% of patients with early-stage RCC are cured, but the treatment options are limited in stage 3 and 4. Therefore, early diagnosis is major for the patients. The commonly used diagnosis method, namely biopsy, always has the potential to devastate the patient emotionally, damage the healthy tissue, or spread the tumor. In addition, studies of ccRCC indicate that there is a correlation between cancer CT imaging features and gene expression (radiogenomics). We hypothesized that from quantitative 2D CT images via one slice with the biggest tumor, both VHL and PBRM1 mutations and stages can be predicted with accuracy using machine learning algorithms. TCGAKIRC data were collected and divided according to specific gene mutations and stages. The tumor was segmented by an expert radiologist. After feature extraction, feature selection was performed. Finally, classification was done by using CL and ANN on Matlab. Our results showed that Fine Gaussian SVM model is able to predict VHL and NON-VHL data with 68.6%, k-NN with Random Subspace model is able to predict PBRM1 and NON-PBRM1 with 84.9% ,and ANN predicted stages with 91.90% accuracies. From this study, it appears that ML-based quantitative 2D CT analysis using one slice for each patient is a feasible and potential method for predicting the status of VHL and PBRM1 mutations and stages of patients with ccRCC.
Benzer Tezler
- Ağaç malzemede dielektrik özelliklerle direnç özellikleri arasındaki ilişkinin belirlenmesi
Determination of wood strength using dielectric properties
İLKER YALÇIN
Yüksek Lisans
Türkçe
2015
Ağaç İşleriKarabük ÜniversitesiOrman Endüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. HAMİYET ŞAHİN KOL
- Kompozit malzemelerin elastoplastik davranışının Mori-Tanaka Modeli kullanılarak tahmini
Predicting elastoplastic behavior of composite materials based on Mori-Tanaka averaging method
MUSTAFA ÇALIŞICI
Yüksek Lisans
Türkçe
2003
İnşaat MühendisliğiMustafa Kemal Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. BABÜR DELİKTAŞ
- A numerical approach for predicting hemodynamic characteristics of 3D aorta geometry under pulsatile turbulent blood flow conditions using fluid-structure interaction
Sıvı-yapı etkileşimini kullanarak pulsatil türbülanslı kan akışı koşullarında 3B aort geometrisinin hemodinamik karakteristiklerini öngörmek için sayısal bir yaklaşım
AHMET SAAT
Yüksek Lisans
İngilizce
2022
BiyomühendislikBoğaziçi ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
PROF. DR. SALİM KUNT ATALIK
- Entwicklung eines prototypen zur prognose von frühgeburten ein biomedizintechnischer ansatz
Başlık çevirisi yok
HAKAN OFLAZ
- Micromechanical progressive damage model for predicting resin dominated strength values of fibre reinforced composites under various types of loading
Karbon elyaf takviyeli bir epoksi kompozitin çeşitli yüklemeler altındaki reçine etkili dayanımlarının öngörülmesi için geliştirilen mikromekanik ilerleyici hasar modeli
FATİH ERTUĞRUL ÖZ
Yüksek Lisans
İngilizce
2012
Makine MühendisliğiBoğaziçi ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
DOÇ. DR. NURİ ERSOY