Bilgisayarlı tomografide saptanan pulmoner nodüllerin derin öğrenme teknikleri kulllanılarak benign-malign ayrımının yapılması
Differentiating the pulmonary nodules detected in computed tomography as benign and malign using deep learning techniques
- Tez No: 709795
- Danışmanlar: DOÇ. DR. MESUT ÖZGÖKÇE
- Tez Türü: Tıpta Uzmanlık
- Konular: Radyoloji ve Nükleer Tıp, Radiology and Nuclear Medicine
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2021
- Dil: Türkçe
- Üniversite: Van Yüzüncü Yıl Üniversitesi
- Enstitü: Tıp Fakültesi
- Ana Bilim Dalı: Radyoloji Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 72
Özet
Akciğer tomografilerinde saptanan nodüllerin derin öğrenme yöntemleri kullanılarak malign-benign olarak ayrımını yapmayı amaçlıyoruz. Materyal ve metod: Van yüzüncüyıl üniversitesi radyoloji anabilim dalı arşivinde kayıtlı olan , 2015-2020 yılları arasında bilgisayarlı tomografi çekilmiş ve akciğer nodülü saptanmış hastaları retrospektif olarak taradık. Taradığımız hastalar içerisinden histopatolojik olarak benign tanısı almış yahut en az iki yıllık takiplerinde boyut artışı izlenmeyen 68 hastayı benign grubuna, histopatolojik olarak malign tanısı almış yahut takiplerinde boyut artışı gösteren 29 hastayı malign grubuna dahil ettik . Ayrıca normal hastalardan oluşan 67 kişilik üçüncü bir grup oluşturduk. Bu gruplardaki hastaların tomografi kesitlerinden normal grubunda 343, benign grubunda 202 ve malign grubunda 199 görüntü içeren veri setlerimizi hazırladık. Oluşturduğumuz üç sınıflı veri setinin %80'lik kısmı ile derin sinir ağlarını eğittik ve %20'lik kısmı ile test ettik. Ardından özellik çıkarımı yapıp makine öğrenmesi algoritmalarından olan sınıflandırıcılar ile tekrardan sonuçları değerlendirip konfüzyon matriks analizlerini ve doğruluk oranlarını karşılaştırdık. Bulgular: Derin sinir ağlarının eğitiminden sonra denediğimiz modeller içerisinde en yüksek doğruluk oranına %80 ile AlexNET modelinde ulaştık. Özellik çıkarımı ve sınıflandırıcılar ile yaptığımız ikinci aşama sonuçlarımızda en yüksek doğruluk oranına VGG19 modelinde SVM sınıflandırıcısı ile %93.5 olarak ulaştık ve bu kombinasyonda sensitivite ve spesifite değerlerimizi sırasıyla 0.90099, 0.964945 olarak hesapladık. Ayrıca tüm modeller içerisinde SVM sınıflandırıcısını kullanılmasıyla doğruluk oranlarında, sensitivite ve spesifite değerlerinde kayda değer bir şekilde artışlar dikkati çekmiştir. Sonuç: Akciğer nodüllerinde benign-malign ayrımının derin öğrenme kullanılarak yapılması radyoloji pratiğinde bize erken teşhis noktasında önemli avantajlar sağlayabilir. Çalışmamızda elde ettiğimiz veriler bunu destekler nitelikte olup umut vericidir.
Özet (Çeviri)
We aim to distinguish between malign and benign nodules detected in lung tomography using deep learning methods. Materials and methods: We retrospectively scanned patients who were registered in the archives of the Van Yüzüncüyıl University Department of Radiology, who underwent computed tomography between 2015 and 2020 and had lung nodules. Among the patients we screened, 68 patients who were diagnosed histopathologically as benign or did not increase in size in at least two years of follow-up were included in the benign group, and 29 patients who were diagnosed with malignant histopathologically or showed an increase in size during their follow-up to the malign group. We also formed a third group of 67 people consisting of normal patients. From the CT scans of these groups, we prepared our data sets containing 343 images in the normal group, 202 images in the benign group and 199 images in the malignant group. We trained deep neural networks with 80% of the three-class data set we created and tested it with 20%. Then, we extracted features and evaluated the results with classifiers, which are one of the machine learning algorithms, and compared the confusion matrix analysis and accuracy rates. Results: After the training of deep neural networks, we reached the highest accuracy rate with 80% in the AlexNET model among the models we tried. In our second stage results with feature extraction and classifiers, we reached the highest accuracy rate as 93.5% with SVM classifier in VGG19 model, and we calculated our sensitivity and specificity values as 0.90099 and 0.964945, respectively, in this combination. In addition, the use of SVM classifier among all models significantly increased the accuracy rates, sensitivity and specificity values. Conclusion: Differentiation of benign-malignant lung nodules using deep learning can provide important advantages in radiology practice in terms of early diagnosis. The data we obtained in our study supports this and gives us hope.
Benzer Tezler
- Pulmoner nodül malignite tahmin modellerinin etkinliklerinin opere nodüller üzerinden karşılaştırılması
Comparison of the effectiveness of pulmonary nodule malignancy prediction models via operated nodules
HAKAN NOMENOĞLU
Tıpta Uzmanlık
Türkçe
2020
Göğüs Kalp ve Damar CerrahisiSağlık Bilimleri ÜniversitesiGöğüs Cerrahisi Ana Bilim Dalı
PROF. DR. GÖKTÜRK FINDIK
- Toraks bilgisayarlı tomografi ile akciğerde soliter lezyon saptanan hastalarda lezyonun malign ya da benign karakterinin ayrımında manyetik rezonans difüzyon görüntülemenin kullanılması ve tanıya katkısı
Using magnetic resonance diffusion imaging on the separation of malignant or benign characterization of the lesion on patients who are detected solitary lesions on their lungs with thoracic computer tomography, and its contribution to the diagnosis
ÇAĞLAYAN ÇAKIR
Tıpta Uzmanlık
Türkçe
2011
Radyoloji ve Nükleer TıpTrakya ÜniversitesiRadyodiagnostik Ana Bilim Dalı
DOÇ. DR. HAKAN GENÇHELLAÇ
- Single source dual-enerjili bilgisayarlı tomografinin twinbeam tekniği ile bening ve malign akciğer nodüllerini ayırdedebilmedeki etkinliği
Effectiveness of single source dual-energy computerized tomography to determine beni̇ng and malign lung nodules BY twinbeam technique
SAİM TÜRKOĞLU
Tıpta Uzmanlık
Türkçe
2020
Radyoloji ve Nükleer TıpVan Yüzüncü Yıl ÜniversitesiRadyoloji Ana Bilim Dalı
DOÇ. DR. MESUT ÖZGÖKÇE
- Küçük boyutlu akciğer nodüllerinin Bilgisayarlı Tomografi ile saptanmasında Maksimum Intensite Projeksiyon (MIP) tekniğinin tanısal önemi
Diagnostic value of MIP imaging: Detection of small pulmonary nodules with MIP imaging in Computed Tomography
PINAR GÜLERYÜZ
Tıpta Uzmanlık
Türkçe
2014
Radyoloji ve Nükleer TıpBaşkent ÜniversitesiDahili Tıp Bilimleri Bölümü
YRD. DOÇ. DR. ÖMER KORAY HEKİMOĞLU
- Soliter pulmoner nodüllerin ayırıcı tanısında konvansiyonel ve dinamik bilgisayarlı tomografinin yeri
The value of conventional and dynamic computed tomography in differential diagnosis of solitary pulmonary nodules
YALÇIN KAYMAKCIOĞLU
Tıpta Uzmanlık
Türkçe
2003
Radyoloji ve Nükleer TıpTrakya ÜniversitesiRadyodiagnostik Ana Bilim Dalı
DOÇ. DR. HAKKI MUAMMER KARAKAŞ