BT görüntülerinde akciğer pnömonisi ile ilişkili 13. jenerasyon hava ve damar yollarının segmentasyonuna imkan sağlayacak onkolojik bulguların sayısal olarak değerlendirilmesi
Quantitative evaluation of oncological findings related to pulmonary pneumonia on CT images to allow segmentation of 13th generation airways and pulmonar vessels
- Tez No: 748652
- Danışmanlar: DR. ÖĞR. ÜYESİ ÖZKAN DOĞANAY
- Tez Türü: Yüksek Lisans
- Konular: Onkoloji, Oncology
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: Türkçe
- Üniversite: Ege Üniversitesi
- Enstitü: Sağlık Bilimleri Enstitüsü
- Ana Bilim Dalı: Temel Onkoloji Ana Bilim Dalı
- Bilim Dalı: Kanser Biyolojisi ve İmmünolojisi Bilim Dalı
- Sayfa Sayısı: 53
Özet
Amaç: Bu çalışmanın amacı, akciğer Bilgisayarlı Tomografi (BT) görüntülerinde solunum yolu hastalıklarının saptanmasına yardımcı olacak, bunları otomatik olarak raporlayan görüntü işleme tekniklerinin çıktısını vererek radyolojik bulguların incelenmesini ve analizini otomatikleştirecek yeni bir yazılımın geliştirilmesidir. Ayrıca sayısal modelleme teknikleri kullanılarak sadece radyolojik sonuçların değil fonksiyonel ölçümlerin de yapılabileceği görüntü analiz yazılımı geliştirmesi hedeflenmektedir. Kanserde oluşan radyolojik görüntülere benzer paternler göstermesi sebebiyle, bu çalışmada COVID-19 pnömonisi kullanılmıştır. Materyal-Metod: Elli hasta ve elli sağlıklı olgunun BT görüntülerinden pnömoninin yüzdesi, havayolları, pulmoner damarlar ve fissürler çıkartılarak, yarattığı yük kantitatif olarak hesaplandı . Sağlıklı ve hasta BT görüntülerinde lobar ve tüm akciğer %pnömonisi arasındaki istatistiksel farkı bulabilmek için tek yönlü ANOVA analizi kullanıldı. Aynı zamanda sağlıklı (n=15), n=10 akut COVID-19 sendromu sonrası n=15 COVID-19 hastasının, kıvrılma, daralma, pulmoner havayollarında 15. jenerasyona kadar genişleme analizleri yapıldı. Pulmoner damarlarda ve havayollarında dansitometri analizleri görüntü sonrası algoritmalar kullanılarak araştırıldı. COVID-19 birinci taramaları ve sağlıklı grup arasında t-testi ve yüzde varyasyonları karşılaştırıldı. Bulgular: COVID-19'un neden olduğu pnömoni ile ilgili yüksek ve düşük BT atenüasyon değerleri eşiğinin ₋642,4 HU ile 143 HU arasında olduğu bulundu. Tüm akciğerin, sol üst ve alt lobların %pnömonisi, hasta kohortu için sırasıyla %8,1 ± 4,4, %6,1 ± 4,5 ve %11,3 ± 7,3 idi ve istatistiksel olarak farklıydı (p < 0,01). Akut sonrası COVID-19 sendromu için, pulmoner hava yolu yarıçapının 3. - 6. jenerasyonlarında daralma (>%4) varken, sağlıklı ve hasta ilk taramaları arasında anlamlı bir fark yoktu (p>0,05). Akut olmayan COVID-19 grubunun ikinci taramaları, 3. - 6. jenerasyonlarda azalmanın normale döndüğünü gösterdi. Akut sonrası COVID-19 sendromunun parankimal dokusundaki lobar dansitometri sağlıklı olgularla karşılaştırıldığında %2'den azdı ve ikinci taramada RUL, RML ve LUL'de anlamlı bir fark göstermedi (p>0,05). Akut sonrası COVID-19 sendromu grubundaki tüm havayolu kıvrımlılığı, akut COVID-19 sendromu insidansına sahip olabilecek sağlıklı kontrol grubundan %2,48 daha yüksekti. Sonuç: Yazılan algoritma ile yapılan piksel analizinden elde edilen atenüasyon değerleriyle, BT görüntüsünde görünen pnömoni doğru bir şekilde değerlendirilir. Yazılan algoritma kanser modelleri üzerinde de kullanılabilir. Böylece hastalığın evresi hakkında daha detaylı bilgiye sahip olurken yapılan tedavi spesifikleştirilebilir. Aynı zamanda gelecekte bu teknik, aşıların ve ilaçların etkinliğini ve hastalık sonrası etkilerini araştırmak için kullanılabilir. 3. - 6. jenerasyondaki yarıçaplarındaki azalma, akut sonrası COVID-19 sendromu ile ilişkili olabilir ve akut sonrası COVID-19 sendromunun erken tahmininde önemli bir rol oynayabilir. Akut sonrası COVID-19 sendromu insidansı, pulmoner havayollarının ve kan damarlarının anatomisi ile de ilişkili olabilir.
Özet (Çeviri)
Purpose: The purpose of this study is to develop a new algorithm that will help to detect respiratory diseases in CT lung images and automate the examination and analysis of radiological findings by writing image processing techniques that automatically report them. In addition, it is aimed to develop image analysis software in which not only radiological results but also functional measurements can be made by using numerical modeling techniques. In this study COVID-19 pneumonia was used because of the similar patterns with cancer in radiological images. Material and Methods: The percent of pneumonia in the CT images of fifty patient and fifty healthy subjects, airways, pulmonary vessels, and fissures were subtracted, and the burden was calculated. One-way ANOVA analysis was used to find the statistical difference between lobar and whole lung %pneumonia in the healthy and patient cohorts. Analyzes of tortuosity, tapering, enlargement of the pulmonary airways up to 15th generation were performed in n=15 COVID-19 patients which n=10 patient is after acute COVID-19 syndrome and n=15 healthy subjects. Densitometry analyzes of pulmonary vessels and airways were investigated using post-image algorithms. The t-test and percent variation were compared between the COVID-19 first scans and the healthy group. Results: The threshold for high and low CT attenuation values associated with pneumonia was found to be between ₋642.4 HU and 143 HU. The %pneumonia of the whole lung, left upper and lower lobes were 8.1% ± 4.4%, 6.1% ± 4.5 and 11.3 ± 7.3% for the COVID-19 cohort, respectively, and were statistically different (p < 0.01). For post-acute COVID-19 syndrome, there was tapering (>4%) of the pulmonary airway radius in the 3rd-6th generations, while there was no significant difference between healthy and COVID-19 first CT scans (p>0.05). Second scans of the non-acute COVID-19 group showed that the tapering returned to normal in the 3rd - 6th generations. Lobar densitometry in parenchymal tissue of post-acute COVID-19 syndrome was less than 2% compared with healthy subjects and showed no significant difference in RUL, RML and LUL at the second scans (p>0.05). The overall airway tortuosity in the post-acute COVID-19 syndrome group was 2.48% higher than the healthy control group, which may have an incidence of acute COVID-19 syndrome. Conclusion: With the attenuation values obtained from the pixel analysis performed with the lab-built algorithm, the pneumonia on the CT image is correctly evaluated. This algorithm can also be used on cancer models. Thus, while having more detailed information about the stage of the disease, the treatment can be specified. Also, in the future, this technique can be used to investigate the efficacy and post-COVID-19 effects of vaccines and drugs. The pixel analysis generated while writing the algorithm can accurately assess the pneumonia visible on the CT image. The reduction in their radius in the 3rd - 6th generation may be associated with post-acute COVID-19 syndrome and play an important role in the early prediction of post-acute COVID-19 syndrome. The incidence of post-acute COVID-19 syndrome may also be related to the anatomy of the pulmonary airways and blood vessels.
Benzer Tezler
- Sistemik skleroz hastalarında epikardiyal yağ volümü ile parankim bulgularının karşılaştırılması
Comparison of epicardial fat volume with parenchymal findings in systemic sclerosis patients
CEMİLE GARİPOĞLU
Tıpta Uzmanlık
Türkçe
2023
Radyoloji ve Nükleer TıpNecmettin Erbakan ÜniversitesiRadyoloji Ana Bilim Dalı
DR. ÖĞR. ÜYESİ PINAR DİYDEM YILMAZ
- Parapnömonik plevral efüzyonlarda plevral sıvı prokalsitonin düzeyinin ayırıcı tanıdaki yeri ve plevral sıvının ultrason görüntüsü ile ilişkisi
The relationship between the plevral liquid procalsitonin level and the relationship between the ultrasound imaging of the pleural fluid in parapnononic pleural effusions
BÜLENT AKKURT
Tıpta Uzmanlık
Türkçe
2018
Göğüs HastalıklarıSağlık Bilimleri ÜniversitesiGöğüs Hastalıkları Ana Bilim Dalı
DOÇ. DR. SEVDA CÖMERT
- COVID-19 pnömonisinde akciğer tutulumu ile trakeobronşial sistem ve fissürel anatomik varyasyonlar arasındaki ilişkinin bilgisayarlı tomografi ile değerlendirilmesi
Evaluation of the relationship between lung involvement and tracheobronchial system and fissural anatomical variations in COVID-19 pneumonia by computed tomography
TÜRKER ACAR
- Derin öğrenme kullanarak tıbbi görüntülerde COVID-19 ve zatürre tespiti
Detection of COVID-19 and pneumonia in medical images using deep learning
İREM KURA
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKarabük ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ NESRİN AYDIN ATASOY
- Prediction of COVID 19 disease using chest X-ray images based on deep learning
Derin öğrenmeye dayalı göğüs röntgen görüntüleri kullanarak COVID 19 hastalığının tahmini
ISMAEL ABDULLAH MOHAMMED AL-RAWE
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ADEM TEKEREK