Makine öğrenmesi ile birlikte radiomics'in mesane kanserlerinde p53 gen mutasyonunu belirlemedeki önemi
Başlık çevirisi mevcut değil.
- Tez No: 745619
- Danışmanlar: PROF. DR. HAKAN ÖNDER
- Tez Türü: Tıpta Uzmanlık
- Konular: Radyoloji ve Nükleer Tıp, Radiology and Nuclear Medicine
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: Türkçe
- Üniversite: Sağlık Bilimleri Üniversitesi
- Enstitü: Prof. Dr. Cemil Taşcıoğlu Şehir Hastanesi
- Ana Bilim Dalı: Radyoloji Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 46
Özet
Amaç. BT tabanlı radiomics verileri kullanarak mesane kanserlerini tümör proteini p53 mutasyon durumuna göre sınıflandırabilen makine öğrenmesi modellerini oluşturmak ve potansiyellerini değerlendirilmesidir. Gereç ve Yöntem. Kamuya açık bir veri tabanından p53 mutasyonu olan ve olmayan hastaların bilgisayarlı tomografi ürografi görüntüleri çalışmaya dahil edilmiştir. İki radyolog tarafından ortak fikir birliği ile segmentasyon yapılmıştır. Görüntü önişlemesinden sonra, orijinal, Laplacian of Gaussian ve wavelet filtreli görüntülerden öznitelikler çıkartılmıştır. Üç adımlı öznitelik seçilim işlemi uygulanmıştır. İlk adımda her bir özelliğe Student's t testi uygulanmış ve her bir özelliğin p değeri hesaplanmıştır. İkinci adımda, Pearson korelasyon katsayıları hesaplanmış, birbiri ile yüksek korelasyon gösteren öznitelikler elenmiştir. Son olarak, wrapper tabanlı ardışık özellik seçim algoritması kullanılmıştır. Sınıflandırıcı modeller multi-layer perceptron (MLP) ve support vector machine (SVM) modelleri olarak seçilmiştir. Modellerin performans değerlendirilmesi on katlı çapraz doğrulama tekniği ile yapılmıştır. Bulgular. Çalışmaya 67 hasta katılmıştır (32 p53 mutasyonu olan ve 35 olmayan). SVM ve MLP modelleri p53 mutasyon durumunu %99 doğrulukla sınıflandırmışlardır. SVM modelinin duyarlılığı, özgüllüğü, eğri altındaki alanı (AUC), precision, recall ve F1 ölçütleri sırasıyla %91, %91, %90, %91, %91 ve %91 olarak belirlenmiştir. MLP modelinin duyarlılığı, özgüllüğü, AUC, precision, recall ve F1 ölçütü sırasıyla %97, %86, %85, %86, %97 ve %91 idi. Sonuç. Radiomics verileriyle inşa edilen makine öğrenmesi modelleri mesane kanserinde hastaların p53 mutasyon durumunu tahmin etmede büyük potansiyel taşımaktadır.
Özet (Çeviri)
Purpose. To build and evaluate the potential of machine learning models which predict tumor protein p53 mutation status in bladder cancers by using CT-based radiomics. Material and Methods. Computed tomography urography images of patients with and without p53 mutation from a public database were enrolled to the study. Two radiologists segmented the tumors semi-automatically in consensus. After image preprocessing, features were extracted from original, Laplacian of Gaussian and wavelet filtered images. Feature selection process were consisted of three steps. In the first step, Student's t test was applied to each feature and the p-value of each feature was calculated. Secondly, features with higher collinearity to each other were eliminated according to their Pearson's correlations coefficient. Lastly, a wrapper-based sequential feature selection algorithm was performed. Ten-fold cross-validation was used for evaluation and Multi-Layer Perceptron (MLP) and SVM were selected as classifiers. Results. 67 patients were enrolled to the study (32 and 35 with and without p53 mutation). SVM and MLP algorithms correctly classified patients with 99% accuracy. For SVM sensitivity, specificity, area under curve (AUC), precision, recall and F1 measures were, 91%, 91%, 90%, 91%, 91% and 91%, respectively. For MLP sensitivity, specificity, AUC, precision, recall and F1 measure were 96%, 86%, 85%, 86%, 97% and 91%, respectively. Conclusions. Machine learning models built with radiomics features possess great potential for prediction of p53 mutation status in bladder cancer.
Benzer Tezler
- Malign melanom hastalarında metastatik lenf nodlarının F18-FDG pet ve bilgisayarlı tomografide yapılan doku analizi ve makine öğrenmesi algoritmaları ile öngörülmesi
Prediction of metastatic LYMPH nodes in malignant melanoma patients by texture analysis and machine learning performed in F18-FDG pet and computerized tomography
ESİN KORKUT
Tıpta Uzmanlık
Türkçe
2022
Radyoloji ve Nükleer Tıpİstanbul ÜniversitesiRadyoloji Ana Bilim Dalı
PROF. DR. ŞÜKRÜ MEHMET ERTÜRK
- İnfertil ve fertil erkeklerin testis ultrasonunda tekstür analizi
Texture analysis of testicular ultrasound in infertile and fertile males
SERCAN TOSUN
Tıpta Uzmanlık
Türkçe
2023
Radyoloji ve Nükleer TıpBalıkesir ÜniversitesiRadyoloji Ana Bilim Dalı
PROF. DR. GÜLEN DEMİRPOLAT
- Machine and deep learning based analysis of tumors on FDG-PET images
FDG-PET görüntülerindeki tümörlerin makine ve derin öğrenme tabanlı analizi
OĞUZHAN AYYILDIZ
Doktora
İngilizce
2022
Elektrik ve Elektronik MühendisliğiAbdullah Gül ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. BÜLENT YILMAZ
- Sakroiliak eklemin inflamatuvar ve dejeneratif hastalıklarında manyetik rezonans radiomiks analizi
Magnetic resonance imaging radiomics analysis in inflammatory and degenerative diseases of the sacroiliac joint
MELİK GAZİ BUZLUK
Tıpta Uzmanlık
Türkçe
2024
Radyoloji ve Nükleer TıpSağlık Bilimleri ÜniversitesiRadyoloji Ana Bilim Dalı
PROF. DR. ERCAN İNCİ
- Radyoloji alanında makine öğrenme yöntemlerinin kullanıldığı yayınların doğal dil işleme ile analizi
Natural language processing analysis of publications in radiology using machine learning methods
SELİN ŞAHİN
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul ÜniversitesiEnformatik Ana Bilim Dalı
PROF. DR. SEVİNÇ GÜLSEÇEN
DR. SERRA ÇELİK