Geri Dön

Prostate Zonal Segmentation on Multiparametric Prostate Magnetic Resonance (MPMR) Images by Using an Artifical Intelligence Algorithm

Multiparametrik Prostat Manyetik Rezonans (MPMR) Görüntülerinde Yapay Zeka Algoritması Kullanılarak Prostat Bezi Zonlarının Belirlenmesi

  1. Tez No: 737546
  2. Yazar: BAŞAK ÜNVERDİ
  3. Danışmanlar: DOÇ. DR. TÜRKER ACAR
  4. Tez Türü: Tıpta Uzmanlık
  5. Konular: Radyoloji ve Nükleer Tıp, Radiology and Nuclear Medicine
  6. Anahtar Kelimeler: MpMRG, CGI, ESA, U-net, yapay zeka, derin öğrenme, MpMRI, CGI, CNN, U-net, artificial intelligence, deep learning
  7. Yıl: 2022
  8. Dil: Türkçe
  9. Üniversite: Sağlık Bilimleri Üniversitesi
  10. Enstitü: İzmir Tıp Fakültesi
  11. Ana Bilim Dalı: Radyoloji Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Amaç:Multiparametrik Manyetik Rezonans (MpMR) görüntülerinde U-net tabanlı evrişimli sinir ağı (ESA) kullanarak, prostat bezi, periferik zon (PZ) ve transizyonel zon (TZ) segmentasyonunu yapmaktır. Gereç ve Yöntem:Çalışmamız retrospektif olup bu çalışmaya Ocak-Aralık 2020 tarihleri arasında İzmir Bozyaka Eğitim ve Araştırma Hastanesi Radyoloji Kliniği'nde prostat kanseri tanı ve taraması amacı ile 1.5T cihaz ile MpMR incelemesi yapılmış toplam 100 hasta dahil edildi. MpMR görüntüleri, son sene radyoloji asistanı tarafından değerlendirildi ve MedSeg.ai platformuna aktarılarak .nifti formatına çevrildi. Bu fortmatta prostat bezi ve TZ maskeleri manuel olarak oluşturuldu.Kalan alan tüm prostat – TZ = PZ olmak üzere otomatik olarak maskelendi. Böylece her hastada prostat bezi, TZ ve PZ maskesi olmak üzere 3 ayrı maske kaydedildi. İzmir Katip Çelebi Üniversitesi Biyomedikal Mühendisliği bölümünde U-net tabanlı 7 derinlikli bir ESA geliştirildi. 80 hasta ile eğitim, bu 80 hasta arasından rastgele seçilen 10 hasta ile doğrulama, kalan 20 hastayla ise test işlemleri gerçekleştirildi. Test verileri üzerinden tutarlılık, ortalama ve ortanca Dice Similarity Coefficient (DSC), ortalama Hausdorff Distance (HSD), Mean Surface Distance (MSD), ortalama Relative Absolute Volume (RAV)değerleri hesaplandı. Bulgular:Prostat bezi, TZ, PZ segmentasyonunda sırasıyla tutarlılık 0.93, 0.91, 0.74, ortalama DSC 0.91 ± 0,03, 0.87 ± 0,06, 0.70 ± 0.16, ortanca DSC 0.92, 0.90, 0.75 olarak gelmiştir. Ortalama HSD 8.58, 9.52, 18.78, MSD0.92, 0.84, 1.30, ortalama RAV ise 3.51, 9.87, 70.57'dir. Sonuç:Geliştirdiğimiz U-net tabanlı model ile prostat bezi ve TZ segmentasyonunda literatürdeki örneklerin birçoğuna göre daha iyi sonuçlar elde ettik. PZ segmentasyonunda başarı oranındaki düşüş çeşitli nedenlerle açıklanabilir seviyedeydi. Bu ve benzeri limitasyonlardan literatürde derin öğrenme alanındaki son teknoloji ürünü modellerde bile bahsedildiğini gördük. Yapay zeka algoritmalarının prostat bezi, TZ ve PZ segmentasyonu gereken alanlarda oldukça faydası olacağını göstermiş olduk. Eksik olduğu noktalarda ise radyolog denetiminde kullanımı halinde işlevselliğinin artacağını belirttik.

Özet (Çeviri)

Objective: We aim to do an automatic segmentation of prostate gland, transitional zone (TZ) and periferal zone (PZ) on Multiparametrik Magnetic Resonance (MpMR) images by using a U-net based convolutional neural network (CNN). Materials and Methods:Our study was retrospective and included a total number of 100 patients that were screened using a 1.5T MRI device between January-December 2020 in order to diagnose prostate cancer in İzmir Bozyaka Education and Research Hospital, Radiology Department. MpMR images were evaluated by a senior radiology resident and files were converted to .nifti format on MedSeg.ai platform. Prostate and TZ masks were manually created. Remaining area was segmented automatically by extracting TZ mask from prostate mask. Eventually every single patient file included 3 masks in total that displayed prostate, TZ and PZ segmentation. A U-net based CNN algorithm with 7 depths was created in İzmir Katip Çelebi University Biomedical Engineering department. Data from 80 patients was used in training of the algorithm and among these 10 were selected to perform validation. Remaining data of 20 patients was used in testing process. Evaluation metrics applied on the test set are accuracy, mean and median Dice Similarity Coefficient (DSC), mean Hausdorff Distance (HSD), Mean Surface Distance (MSD), mean Relative Absolute Volume (RAV). Results:Mean DSC of0.91 ± 0,03, 0.87 ± 0,06, 0.70 ± 0.16 and median DSC of0.92, 0.90, 0.75 were obtained for prostate gland, TZ and PZ segmentation respectively. Mean HSD was 8.58, 9.52, 18.78, MSD was 0.92, 0.84, 1.30 and mean RAV was 3.51, 9.87, 70.57 for the segmentation of aforementioned structures. Conclusion: We have built a U-net based algorithm that demonstrated favourable results for prostate and TZ segmentation andit was superior to most of the examples from previous studies. Although PZ segmentation success rate was lower than the others, it could be explained by various factors which were also pointed out by stateof the art methods in deep learning. We have made it clear that the usage of artificial intelligence algorithms has a great impact in areas that require automated segmentation of the prostate gland and its zones. In circumstances that they are lacking, utilization of these systems by radiologists will help in achieving greater results.

Benzer Tezler

  1. Tez No

    971238

    İntravezikal prostat protrüzyonunun prostat kanseri tanısı üzerine etkisi

    The effect of intravesical prostatic protrusion on the diagnosis of prostate cancer

    AHMET VARAN

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2025

    ÜrolojiSağlık Bilimleri Üniversitesi

    Üroloji Ana Bilim Dalı

    PROF. DR. ÖMER GÖKHAN DOLUOĞLU

  2. Tez No

    615109

    Multiparametrik prostat manyetik rezonans görüntüleme'de (mpmrg) prostate ımaging reporting and data system version 2.1 (pı- radsv2.1) ile saptanan lezyonların histopatolojik korelasyonu, pı-radsv2.1 in intra ve interobserver uyumluluğunun değerlendirilmesi ve prostat bezinin farmakokinetik analizleri

    Histopathological correlation of lesions determined by prostate imaging reporting and data system version 2.1 (pi-radsv2.1) in multiparametric prostate magnetic resonance imaging (mpmrg), evaluation of pi-radsv2.1 intra and interobserver agreement and pharmacokinetic analysis of prostate gland

    GÜLŞEN YÜCEL OĞUZDOĞAN

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2019

    Radyoloji ve Nükleer TıpSağlık Bilimleri Üniversitesi

    Radyoloji Ana Bilim Dalı

    DOÇ. DR. ZEHRA HİLAL ADIBELLİ

  3. Tez No

    1002855

    Prostat kanserini öngörmede uyarlanmış periferik zon PSA dansitesinin değerlendirilmesi

    Diagnostic value of adjusted peripheral zone PSA density in the prediction of prostate cancer

    SAMET DEMİR

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2026

    ÜrolojiSağlık Bilimleri Üniversitesi

    Üroloji Ana Bilim Dalı

    DOÇ. DR. YAVUZ BAŞTUĞ

    DR. İLKER ARTUK

  4. Tez No

    1014677

    Membranöz üretra uzunluğunun radikal prostatektomi sonrası komplikasyon gelişimine etkisi

    The effect of membranous urethral length on the development of complications following radical prostatectomy

    ALİ ÇAĞLAR TURGUT

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2026

    Radyoloji ve Nükleer TıpEge Üniversitesi

    Radyoloji Ana Bilim Dalı

    PROF. DR. MUSTAFA HARMAN

  5. Tez No

    1013409

    PI-RADS 3 lezyonlarında klinik anlamlı kanseri öngörmede multiparametrik manyetik rezonans görüntüleme (mpMRG) ve ileri diffüzyon analizi

    Multiparametric magnetic resonance imaging (mpMRI) and advanced diffusion analysis in predicting clinically significant cancer in PI-RADS 3 lesions

    İBRAHİM HALİL YERLİKAYA

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2026

    Radyoloji ve Nükleer TıpKahramanmaraş Sütçü İmam Üniversitesi

    Radyoloji Ana Bilim Dalı

    PROF. DR. BETÜL KIZILDAĞ

Geri Dön