Konvansiyonel manyetik rezonans görüntülemenin ve radiomiks tabanlı makina öğrenmesinin menenjiom hastalarında preoperatif grade, histolojik subtip ve surveyansı öngörmeye katkısı
Contribution of conventional magnetic resonance imaging and radiomics based machine learning in predicting preoperative grade, histological subtype and surveillance in meningioma patients
- Tez No: 635722
- Danışmanlar: DR. ÖĞR. ÜYESİ ÖZGÜR ÇAKIR
- Tez Türü: Tıpta Uzmanlık
- Konular: Radyoloji ve Nükleer Tıp, Radiology and Nuclear Medicine
- Anahtar Kelimeler: Yüksek Grade Menenjiom, Fibröz Menenjiom, Makina öğrenmesi, Radiomiks, Semantik özellikler
- Yıl: 2020
- Dil: Türkçe
- Üniversite: Kocaeli Üniversitesi
- Enstitü: Tıp Fakültesi
- Ana Bilim Dalı: Radyoloji Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 98
Özet
Giriş ve amaç: Bu çalışmada, radiomiks ve makina öğrenmesinin (ML) yüksek grade (HGM) ve düşük grade menenjiomları (LGM) ayırmada ve LGM'leri fibröz-nonfibröz olarak sınıflandırmada MR görüntülemeye katkısını araştırmak amaçlanmıştır. Gereç ve yöntem: Çalışma protokolü kurumsal etik komite tarafından onaylandı. Çalışmaya retrospektif olarak 181 hasta (50 HGM, 131 LGM; 15 fibröz, 116 nonfibröz) dahil edildi. Preoperatif MR görüntüleri 14 tane semantik özellik esas alınarak değerlendirildi. T2A, FLAIR, postkontrast T1A, postkontrast 3D T1-FFE ve ADC haritası görüntülerinden 107 adet radiomiks özelliği elde edildi. Semantik ve radiomiks özellikleriyle HGM ve LGM'leri ayırmada 5 model oluşturularak support vector machine,lojistik regresyon, k-nearest neighborhood, naive Bayes, decision tree, random forest ve neural network algoritmalarıyla sınıflandırma yapıldı. Aynı ML algoritmaları fibröz ve nonfibröz menenjiomları ayırmak için de kullanıldı. Özellik azaltma yöntemi olarak information gain metodu, internal validasyon tekniği olarak stratified 10-fold cross-validation kullanıldı. ML algoritmalarının sınıflandırma performansı area under the curve (AUC), sensitivite, spesifisite ve doğruluk oranları ile değerlendirildi. Çalışmada p < 0.05 istatistiksel olarak anlamlı kabul edildi. Bulgular: Tüm sınıflandırma modellerinde naive Bayes en iyi performansı gösterdi. HGM'leri LGM'lerden ayırmada postkontrast 3D T1- FFE görüntülerinden elde edilen radiomiks özellikleri kullanılarak yapılan ML modeli en iyi sonuçları verdi (AUC:0.906). Radiomiks özellikleri kullanılarak yapılan modellerin tamamı tek başına semantik özelliklerin kullanıldığı modelden daha iyi sonuçlar verdi. Semantik özelliklere radiomiks özellikleri eklendiğinde sınıflandırma performansı arttı. LGM'leri fibröz ve nonfibröz olarak ayırmada tüm sekansların radiomiks özellikleri kullanılarak yapılan sınıflandırmanın en iyi sonuçları verdiği tespit edildi (AUC: 944). Sonuç: HGM'lerin belirlenmesinde radiomiks özellikleri kullanılarak yapılan ML, semantik özelliklere kıyasla daha iyi sonuçlar verdi. LGM'leri fibröz ve nonfibröz olarak ayırmada radiomiks özellikleri kullanılarak yapılan ML sonuçları oldukça iyiydi.
Özet (Çeviri)
Introduction and purpose: In this study, it was aimed to investigate the contribution of radiomics and machine learning (ML) to MR imaging in differentiating high grade meningioma (HGM)-low grade meningioma (LGM) and classifying LGM as fibrous-nonfibrous. Materials and methods: The study protocol was approved by the institutional ethics committee.181 patients (50 HGM, 131 LGM; 15 fibrous, 116 nonfibrous) were included in this retrospective study. Preoperative MR images were evaluated using 14 semantic features from. A total of 107 radiomics features were extracted from T2W, FLAIR, post-contrast T1W, post-contrast 3D T1-FFE and ADC map images. Using semantic and radiomics features, five models were created to distinguish HGM from LGM . Classifications were made with support vector machine, logistic regression, k-nearest neighborhood, naive Bayes, decision tree, random forest and neural network algorithms. The same ML algorithms were used to distinguish fibrous and nonfibrous meningiomas. Feature reduction was done with information gain method, and stratified 10-fold cross-validation was used as an internal validation technique. The performance of ML algorithms was evaluated with the area under the curve (AUC), sensitivity, specificity, and accuracy rates. p
Benzer Tezler
- Stroke vakalarında konvansiyonel manyetik rezonans görüntüleme ile difüzyon manyetik rezonans görüntülemenin korelasyonu
Correlation of conventional magnetic resonance imaging and diffusion weighted magnetic resonance imaging in stroke cases
PINAR YAVUZEL
Tıpta Uzmanlık
Türkçe
2003
Radyoloji ve Nükleer TıpAnkara ÜniversitesiRadyodiagnostik Ana Bilim Dalı
PROF. DR. SADIK BİLGİÇ
- Böbrek lezyonlarının benign-malign ayırımında difüzyon ağırlıklı manyetik rezonans görüntülemenin tanıya katkısı
The evaluation of the value of the diffusion weight imaging in the differantial diagnosis of the benign and malign renal masses
AHMET POLAT
Tıpta Uzmanlık
Türkçe
2011
Radyoloji ve Nükleer TıpTrakya ÜniversitesiRadyodiagnostik Ana Bilim Dalı
DOÇ. DR. HAKAN GENÇHELLAÇ
- Paranazal sinus patolojilerinde manyetik rezonans görüntüleme bulgularının bilgisayarlı tomografi sonuçları ile karşılaştırılması
The role of computed tomography versus magnetic resonance imaging in diagnosis of paranasal sinus diseases
AYLİN ALTAN KUŞ
Tıpta Uzmanlık
Türkçe
2011
Radyoloji ve Nükleer TıpSağlık BakanlığıRadyoloji Ana Bilim Dalı
DR. BÜLENT ÖNER
- İntrakraniyal menenjiomlarda difüzyon ağırlıklı manyetik rezonans görüntüleme bulgularının histopatolojik verilerle korelasyonu
Evaluate the effectiveness of using diffusion-based magnetic resonance imaging to estimate histological grade of the meningiomas and to explore the relation of apparent diffusion coefficient (ADC) value and tumor grade
FATİH DURUMLU
Tıpta Uzmanlık
Türkçe
2019
Radyoloji ve Nükleer TıpDicle ÜniversitesiRadyodiagnostik Ana Bilim Dalı
PROF. DR. AŞUR UYAR
- Sağlıklı bireylerde beynin değişik anotomik lokalizasyonlarında ortalama apparent difussion coefficient değerlerinin saptanması ve difüzyon ağırlıklı manyetik rezonans görüntülemenin önemi
Determination of mean apparent difussion coefficient values at various brain locations in healthy individuals and importance of magnetic resonance difussion weighted imaging
BETÜL YILMAZ
Tıpta Uzmanlık
Türkçe
2006
Radyoloji ve Nükleer TıpKırıkkale ÜniversitesiRadyoloji Ana Bilim Dalı
DOÇ.DR. SİMAY KARA