Geri Dön

Parotis bezi tümörlerinin ayırıcı tanısında multiparametrik manyetik rezonans görüntüleme kullanılarak geliştirilen derin öğrenme modeli

Deep learning model developed using multiparametric magnetic resonance imaging in the differential diagnosis of parotid gland tumors

PDF İndir

  1. Tez No: 681197
  2. Yazar: EMRAH GÜNDÜZ
  3. Danışmanlar: PROF. DR. AHMET KIZILAY
  4. Tez Türü: Tıpta Uzmanlık
  5. Konular: Kulak Burun ve Boğaz, Otorhinolaryngology (Ear-Nose-Throat)
  6. Anahtar Kelimeler: Yapay Zeka, Derin Öğrenme, Parotis Tümörleri, Bilgisayar Destekli Tanı, Artificial Intelligence, Deep Learning, Parotid Tumors, Computer Aided Diagnosis
  7. Yıl: 2021
  8. Dil: Türkçe
  9. Üniversite: İnönü Üniversitesi
  10. Enstitü: Tıp Fakültesi
  11. Ana Bilim Dalı: Kulak Burun Boğaz Hastalıkları Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 113

Özet

Amaç: Sık görülen parotis tümörlerinin ayırıcı tanısında, multiparametrik MRG kullanılarak geliştirilen derin öğrenme modeliyle yapay zeka bazlı yeni bir yaklaşım oluşturmak. Gereç ve Yöntem: Parotis bezinde tümör bulunan 123 hasta ile tümör bulunmayan 50 hastanın MRG görüntüleri retrospektif olarak incelendi. Bu görüntülerle eğitilen InceptionResNetV2 derin öğrenme modeli ve majority voting yaklaşımıyla parotis tümörleri sınıflandırıldı. Modelin ayırıcı tanı performansı SVM, KNN ve LD sınıflandırıcıları kullanılarak değerlendirildi. Derin öğrenme modelinde giriş verisi olarak; post-kontrast T1A, T2A konvansiyonel MRG sekansları ve b0, b1000 ve ADC difüzyon ağırlıklı sekanslar kullanıldı. Çalışma üç evrede gerçekleştirildi. I. evrede kontrol grubu (KG), pleomorfik adenom (PMA), Warthin tümörü (WT), malign tümör (MT) ayırıcı tanısı yapıldı ve MRG sekanslarının giriş verisinde kombine ve non-kombine olarak verildiği iki yaklaşım oluşturuldu. II. evrede benign tümör (PMA ve WT), MT ve KG'nin ayırıcı tanısı yapıldı. III. evrede ise, parotis bezinde tümör bulunan ve bulunmayan hastaların ayırıcı tanısının yapılması amaçlandı. Bulgular: Evre I'de non-kombine yaklaşımda doğruluk, sensivite ve spesifitenin sırasıyla %86,43, %83,24 ve %95,35; kombine yaklaşımdaysa sırasıyla %92,86, %90,34 ve %97,51 olduğu saptandı. Evre I'de sınıflandırıcılar arasında en iyi sonuca %93,57 doğrulukla SVM sınıflandırıcısı sahipti. Evre II'de doğruluk %92,14, sensivite %83,33 ve spesifite %93,99 olarak saptandı. Evre III'deyse doğruluk %99,29, sensivite %100 ve spesifite %99.02 olarak hesaplandı. Derin öğrenme modelinin PMA ayırıcı tanısı için doğruluğu %97,62, WT için %92,31 ve MT için %71,43 olarak saptandı. Sonuç ve Öneriler: Bu çalışmada son yıllarda popüler hale gelen derin öğrenme modelleriyle parotis tümörlerini otomatik ve yüksek doğrulukla sınıflandıran yeni bir yaklaşım sunulmuş ve istatistiksel olarak başarılı sonuçlar elde edilmiştir. Bu model hekimlere, parotis kitlelerinin MRG görüntülerini değerlendirmelerinde kolaylık sağlayacaktır.

Özet (Çeviri)

Aim: To create a new artificial intelligence-based approach by developing a deep learning model using multiparametric MRI in the differential diagnosis of common parotid tumors. Material and Methods: MRI images of 123 patients diagnosed with parotid tumors and 50 patients without parotid tumors were analyzed retrospectively. With these images, parotid tumors were classified using the InceptionResNetV2 deep learning (DL) model and majority voting approach. The differential diagnostic performance of the model was evaluated using SVM, KNN, and LD classifiers. As input data in the DL model, post-contrast T1A, T2A conventional MRI sequences, and b0, b1000, and ADC diffusion-weighted sequences were used. The study was conducted in three stages. In Stage I, the differential diagnosis of control group (CG), pleomorphic adenoma (PMA), Warthin tumor (WT), malignant tumor (MT) was examined and there were two approaches in which MRI sequences were given as combined and non-combined in the input data. In Stage II; differential diagnosis of the benign tumor (PMA and WT), MT, and CG was made. In Stage III, it was aimed to make the differential diagnosis of patients with a tumor in the parotid gland and healthy parotid gland tissue. Results: In Stage I, the accuracy, sensitivity, and specificity in the non-combined approach were 86,43%, 83,24%, and 95,35%; in the combined approach, it was found to be 92,86%, 90,34%, and 97,51%, respectively. In Stage I, the SVM classifier had the best result among the classifiers with an accuracy of 93,57%. In Stage II, the accuracy was 92,14%, the sensitivity was 83,33% and the specificity was 93,99%. In Stage III, the accuracy was 99,29%, the sensitivity was 100%, and the specificity was 99,02%. The accuracy of the DL model for differential diagnosis of PMA was calculated 97,62%, WT 92,31%, and MT 71,43%. Conclusions: In this study, a new approach is presented that classifies common parotid tumors automatically and with high accuracy using DL models that have become popular in recent years, and statistically successful results have been obtained. This model will provide convenience for physicians in evaluating MRI images of parotid masses.

Benzer Tezler

  1. Tez No

    820498

    Parotis bezi tümörlerinin ayırıcı tanısında yapay zeka kullanımı

    Use of artificial intelligence in the differential diagnosis of parotid gland tumors

    ESAT KABA

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2023

    Radyoloji ve Nükleer TıpRecep Tayyip Erdoğan Üniversitesi

    Radyoloji Ana Bilim Dalı

    DOÇ. DR. FATMA BEYAZAL ÇELİKER

  2. Tez No

    815394

    Parotis bezi tümörlerinin ayırıcı tanısında apparent diffusion coefficient (Adc) değerlerinin yeri

    The role of the apparent diffusion coefficient (Adc) values in the differential diagnosis of the parotid gland tumors

    SİBEL AYDIN AKSU

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2009

    Radyoloji ve Nükleer TıpSağlık Bakanlığı

    Radyoloji Ana Bilim Dalı

    PROF. DR. ERCAN İNCİ

  3. Tez No

    479115

    Cerrahi tedavi uygulanan parotis gland kitlelerinde preoperatif olarak yapılan ince iğne aspirasyon biyopsisi ve radyolojik yöntemlerin tanısal değerlerinin incelenmesi

    The diagnostic value of the fine needle aspiration biopsy (fnab) and radiologic methods used in the evaluation of surgically treated parotid gland masses.

    BEKİR DOĞAN

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2017

    Kulak Burun ve BoğazÇanakkale Onsekiz Mart Üniversitesi

    Kulak Burun Boğaz Ana Bilim Dalı

    DOÇ. DR. OĞUZ GÜÇLÜ

  4. Tez No

    131983

    Parotis bezi kitlelerinin ayırıcı tanısında dinamik bilgisayarlı tomografi ve dinamik manyetik rezonans görüntülemenin yeri

    Başlık çevirisi yok

    AHMET ÇELİK

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2003

    Radyoloji ve Nükleer TıpEskişehir Osmangazi Üniversitesi

    Radyoloji Ana Bilim Dalı

    DOÇ. DR. BAKİ ADAPINAR

  5. Tez No

    515820

    Parotis bezi kitlelerinde ultrasonografi ve bilgisayarlı tomografinin tanı değerlerinin karşılaştırılması

    Comparison of the diagnosis of ultrasonography and computerized tomography in parotis gland masses

    LALE PAŞAOĞLU

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    1997

    Radyoloji ve Nükleer TıpSağlık Bakanlığı

    Radyoloji Ana Bilim Dalı

    UZMAN ALAATTİN CANAT

Geri Dön