Kraniyal difüzyon MRG'de derin öğrenme modelleri ile iskemik inmenin tanısı ve vasküler dağılımının sınıflandırılması
Diagnosis and vascular distribution classification of ischemic stroke with deep learning models in cranial diffusion MRIrezonan
- Tez No: 648167
- Danışmanlar: DR. MUHSİN ENGİN ULUÇ
- Tez Türü: Tıpta Uzmanlık
- Konular: Radyoloji ve Nükleer Tıp, Radiology and Nuclear Medicine
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2020
- Dil: Türkçe
- Üniversite: İzmir Katip Çelebi Üniversitesi
- Enstitü: İzmir Atatürk Eğitim ve Araştırma Hastanesi
- Ana Bilim Dalı: Radyoloji Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 90
Özet
Dünyada ölümlerin ve engelliliğin iskemik kalp hastalıklarından sonra en sık ikinci nedeni inmedir. Akut iskemik inmede hem tanı hem de tedavideki gecikme beyin fonksiyonunu ciddi şekilde etkilemekte ve mortalite ihtimalini arttırmaktadır. Semptom başlangıcından itibaren geçen zamanla birlikte inmenin hangi vasküler dolaşımın etkilenmesiyle meydana geldiği de tedavi kararını değiştirebilmektedir. Difüzyon ağırlıklı görüntüleme ile akut inmenin tanısı ve hangi vasküler sulama alanında olduğu belirlenebilmektedir. Ancak tanı ve sınıflandırmada insan faktörü zaman kısıtlayıcı bir basamak olabilmektedir. Derin öğrenme yöntemleri akut inmenin görüntülenmesinde kullabilecek bir yöntem olarak öne çıkmaktadır. Bu çalışmada CNN modelleri ile difüzyon ağırlıklı MR görüntüleri değerlendirilerek iskemik inmenin tanısı ve vasküler dağılım paternine göre sınıflandırılması amaçlanmıştır. Ocak 2017 – Nisan 2020 tarihleri arasında çekilen ve akut inme bulguları olan 271 hasta ile 150 normal olgunun toplamda 421 difüzyon manyetik rezonans görüntüleri çalışmaya dahil edilmiştir. Toplamda 1800 kesit içeren inme tanısı verisetinde MRG'de inme bulgusu olan 900 kesit ile normal olan 900 kesit kullanılmış, 200'er kesitlik validasyon ve test kümesi oluşturulmuştur. İnmenin vasküler dağılıma göre sınıflandırılmasında görüntüler orta serebral arter enfarktı, posterior dolaşım enfarktı ve sınırzon enfarktı olarak üç sınıfa ayrılmıştır. Vasküler dağılıma göre sınıflandırma verisetinde yer alan toplamda 1717 kesitin 1117'si eğitim, 300'ü validasyon ve 300'ü test için bölünmüştür. Verisetlerinin eğitimi için MobileNetV2 ve EfficientNet-B0 CNN mimarileri seçilerek transfer öğrenme yöntemi ile modellerin başarısı değerlendirilmiştir. İskemik inmenin tanısında MobileNetV2 CNN modeli ile %96, EfficientNet-B0 CNN modeli ile %93 doğruluk elde edildi. İnmenin vasküler dağılım paternine göre orta serebral arter, posterior dolaşım veya sınırzon enfarktı olarak sınıflandırılmasında MobileNetV2 modelinin doğruluğu %93, EfficientNet-B0 modelinin doğruluğu %87 olarak hesaplandı. MobileNetV2 CNN modelinde her vasküler dağılım grubu için sırasıyla sensitivite, spesifite ve PPV orta serebral arter enfarktı grubunda %98, %93,5 ve %88,29 posterior dolaşım enfarktı grubunda %92, %98,5 ve %96,84 sınırzon enfarktı grubunda %89, %97,5 ve %94,68 olarak hesaplandı. EfficientNet-B0 CNN modelinde ise sensitivite, spesifite ve PPV sırasıyla orta serebral arter enfarktı grubunda %91, %90,5 ve %82,73, posterior dolaşım enfarktı grubunda %91, %96,5 ve %92,86, sınırzon enfarktı grubunda %79, %93,5 ve %85,87 olarak hesaplandı. Bu çalışma CNN modellerinin hem akut inmenin tespitinde hem de vasküler dağılıma göre inme sınıflandırmasında kullanılabilecek başarılı yöntemler olduğunu göstermiştir. CNN modellerinin kullanımı, pratisyen hekimler veya paramedikler gibi inme görüntülemeye alışkın olmayan sağlık personeline hızlı tanıda yardımcı olacak ve tedavide gerekli olan inme sınıflandırmasına rehberlik edecektir. Böylelikle inme hastalarında morbidite ve mortaliteyi azaltmak mümkün olabilecektir.
Özet (Çeviri)
Stroke is the second most common cause of death and disability in the world after ischemic heart disease. Delay in diagnosis and treatment in acute ischemic stroke seriously affect brain function and increase the possibility of mortality. Along with the time that has passed since the onset of the symptom, the vascular circulation affected by the stroke can also change the treatment decision. Diagnosis of acute stroke and affected vascular territory area can be determined with diffusion-weighted imaging. However, human factor can be a time limiting step in diagnosis and classification. Deep learning methods stand out as a method that can be used in the imaging of acute stroke. This study aimed to diagnose ischemic stroke on diffusion-weighted MR images by CNN models and to classify it according to vascular territories. A total of 421 diffusion magnetic resonance images of 271 patients with acute stroke and 150 normal cases obtained between January 2017 and April 2020 were included in the study. A stroke diagnosis dataset was created with 900 slices with stroke and 900 normal slices. In stroke diagnosis dataset, 200 slices were split for validation and 200 for testing. In the classification of stroke according to vascular territores, the images are divided into three classes as middle cerebral artery infarction, posterior circulation infarction, and border zone infarction. Of the 1717 slices in the classification dataset according to vascular territores, 1117 were divided into training, 300 for validation and 300 for testing. MobileNetV2 and EfficientNet-B0 CNN architectures were selected for the training of datasets, and the success of the models was evaluated with the transfer learning method. In the diagnosis of ischemic stroke, an accuracy of 96% was achieved with MobileNetV2 CNN model and 93% with EfficientNet-B0 CNN model. In the classification of stroke as middle cerebral artery, posterior circulation or border zone infarction, 93% accuracy was achieved with the MobileNetV2 model and 87% with the EfficientNet-B0 CNN model. Sensitivity, specificity and PPV of MobileNetV2 were 98%, 93.5%, and 88.29% for middle cerebral artery infarction group, 92%, 98.5%, and 96.84% for posterior circulation infarction group, 89%, 97,5%, and 94,68% for border zone infarction group, respectively. Sensitivity, specificity and PPV of EfficientNet-B0 were 98%, 93.5%, and 88.29% for middle cerebral artery infarction group, 92%, 98.5%, and 96.84% for posterior circulation infarction group, 89%, 97,5%, and 94,68% for border zone infarction group, respectively. This study showed that CNN models are successful methods that can be used both in the detection of acute stroke and stroke classification according to vascular territories. The CNN models will assist healthcare professionals who are not used to imaging stroke, such as general practitioners or paramedics, in rapid diagnosis and guide the stroke classification that is essential in treatment. Thus, it will be possible to reduce morbidity and mortality in stroke patients.
Benzer Tezler
- Multiple skleroz hastalarında kognitif etkilenmenin konvansiyonel megnetik rezonans görüntüleme ve difüzyon tensor fiber traktografi ile araştırılması
Correlation of cognitive dysfunction diffusion tensor fiber tractography and convantional MRI measures in patients with multiple sclerosis
ÖZDEN OBUZ
- Temporal lob epilepsili hastalarda difüzyon mrın lateralizasyondaki değeri, klinik ve EEG bulgularıyla korelasyonu
The value of difusion weighted magnetic resonance in lateralization in patients with temporal lobe epilepsy and the corelation of it with clinic and EEG findings
AYHAN DOĞAN
- Boy kısalığı olan çocuklar ile normal pediyatrik yaş grubu optik sinir çaplarının manyetik rezonans görüntüleme ile karşılaştırılması
The comparison of optic nerve diameters with magnetic resonance imaging in children with short stature and normal pediatric age group
KAAN ARSLAN
Tıpta Uzmanlık
Türkçe
2015
Radyoloji ve Nükleer TıpCelal Bayar ÜniversitesiRadyoloji Ana Bilim Dalı
PROF. DR. MİNE ÖZKOL
- Temporal lob epilepsi hastalarında manyetik rezonans görüntüleme verileri üzerinden epileptojenik odakların yapısal ve fonksiyonel değişimlerinin incelenmesi
Investigation of structural and functional changes of epileptogenic foci on magnetic resonance imaging data in patients with temporal lobe epilepsy
EDİBE BİLİŞLİ KARA
- Subakut sklerozan panensefalitte kraniyal manyetik rezonans görüntüleme yöntemlerinin klinik bulgular ile korelasyonu
Cranial magnetic resonance imaging methods to correlation with clinical features in subacute sclerosing panencephalitis
LEVENT KORKMAZ
Tıpta Uzmanlık
Türkçe
2004
Çocuk Sağlığı ve Hastalıklarıİnönü ÜniversitesiÇocuk Sağlığı ve Hastalıkları Ana Bilim Dalı
PROF.DR. CENGİZ YAKINCI