Geri Dön

Predicting kidney tumor subtype from CT images using radiomics and clinical features

Radyomik ve klinik özellikler kullanılarak BT görüntülerinden böbrek tümörü tipinin belirlenmesi

  1. Tez No: 751817
  2. Yazar: DUYGU ŞİRİN
  3. Danışmanlar: PROF. DR. ALBERT GÜVENİŞ
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Endüstri ve Endüstri Mühendisliği, Radyoloji ve Nükleer Tıp, Computer Engineering and Computer Science and Control, Industrial and Industrial Engineering, Radiology and Nuclear Medicine
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2022
  8. Dil: İngilizce
  9. Üniversite: Boğaziçi Üniversitesi
  10. Enstitü: Biyo-Medikal Mühendislik Enstitüsü
  11. Ana Bilim Dalı: Biyomedikal Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Yönetimde Muhasebe ve Finansal Kontrol Bilim Dalı
  13. Sayfa Sayısı: 40

Özet

Bu çalışma, radyomik ve klinik veriler kullanılarak BT görüntülerinden böbrek tümörü tipinin (berrak hücreli veya berrak hücreli olmayan) tespit edilmesinde makine öğrenimi algoritmalarının performanslarını karşılaştırmayı hedeflemektedir. Çalışmada TCIA'nın KiTS-19 Yarışması'nda bulunan 192 malign böbrek tümörü BT görüntüsü (142 berrak hücreli, 50 diğer tip) kullanılmıştır. Özellikler 3 boyutlu görüntü kesitlerinin tümü kullanılarak çıkarılmıştır. Başlangıçta çıkarılan özellik sayısı, 1130 radyomik ve 27 klinik olmak üzere toplam 1157'dir. Kruskal Wallis - ANOVA testi ardından Lasso Regresyon metodu uygulanarak modellerde kullanılacak 8 özellik seçilmiştir. Bu aşamada tüm klinik özellikler elenmiştir. Eğitim kümesi sınıfları SMOTE metodu kullanılarak dengelenmiştir. Seçilen özellikler için eğitim kümesi verileri kullanılarak Coarse Gaussian SVM ve Subspace Discriminant algoritmaları eğitilmiştir. Coarse Gaussian SVM için eğitim süresi 0.47 sn ve tahmin hızı yaklaşık 11000 göz/sn iken; Subspace Discriminant için bu değerler sırasıyla 4.1 sn ve yaklaşık 960 göz/sn olarak gözlemlenmiştir. Coarse Gaussian SVM için ROC puanı 0.86 bulunurken, Subspace Discriminant için 0.85 olarak hesaplanmıştır. İki model de çalışmanın amacı olan böbrek tümörü tipi sınıflandırması için umut verici sonuçlar sağlamıştır.

Özet (Çeviri)

This study aims to evaluate the performance of machine learning methods in predicting the subtype (clear-cell vs. non-clear-cell) of kidney tumors using clinical patient and radiomics data from CT images. CT images of 192 malignant kidney tumor cases (142 clear-cell, 50 other) from TCIA's KiTS-19 Challenge were used in the study. There were several different tumor subtypes in the other group, most of them being chromophobe or papillary RCC. Patient clinical data were combined with the radiomic features extracted from CT images. Features were extracted from 3D images and all of the slices were included in the feature extraction process. Initial dataset consisted of 1157 features of which 1130 were radiomics and 27 were clinical. Features were selected using Kruskal Wallis - ANOVA test followed by Lasso Regression. After feature selection, 8 radiomic features remained. None of the clinical features were considered important for our model as a result. Training set classes were balanced using SMOTE. Training data with the selected features were used to train the Coarse Gaussian SVM and Subspace Discriminant classifiers. Coarse Gaussian SVM was faster compared to Subspace Discriminant with a training time of 0.47 sec and 11000 obs/sec prediction speed. Training duration of Subspace Discriminant was 4.1 sec with 960 obs/sec prediction speed. For Coarse Gaussian SVM was found as 0.86 while for Subspace Discriminant AUC was 0.85. Both models produced promising results on classifying malignant tumors as ccRCC or non-ccRCC.

Benzer Tezler

  1. Radiomics analysis of 3D computed tomography images for predicting the ISUP grade of clear cell renal cell carcinoma tumors

    Berrak hücreli böbrek hücre karsinoma tümörlerinin ISUP derecesini öngörmek için 3B bilgisayarlı tomografi görüntülerinin radiomics analizi

    AHMET KARAGÖZ

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBoğaziçi Üniversitesi

    Biyomedikal Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ALBERT GÜVENİŞ

  2. Renal hücreli karsinomda tümöral ve peritümöral bilgisayarlı tomografi texture analizinin patoloji ve prognoz öngörmedeki rolü

    The role of tumoral and peritumoral computed tomography texture analysis in predicting pathology and prognosis in renal cell carcinoma

    EZGİ TOPDAĞI

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2023

    Radyoloji ve Nükleer TıpSağlık Bilimleri Üniversitesi

    Radyoloji Ana Bilim Dalı

    DOÇ. DR. BURCU SAVRAN

  3. Metastatik olmayan lokal ileri evreli renal hücreli karsinomlarda enflamatuar belirteçlerin prognostik önemi

    Prognostic significance of inflammatory markers in non-metastatic advanced renal cell carcinomas

    SERDAR BAYKAL

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2024

    ÜrolojiKocaeli Üniversitesi

    Üroloji Ana Bilim Dalı

    DOÇ. DR. HASAN YILMAZ

  4. Discovering regulatory non-coding RNA interactions

    Düzenleyici kodlanmayan RNA etkileşimlerinin keşfi

    GÜLDEN OLGUN

    Doktora

    İngilizce

    İngilizce

    2019

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİhsan Doğramacı Bilkent Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. ABDULLAH ERCÜMENT ÇİÇEK

    YRD. DOÇ. DR. ÖZNUR TAŞTAN OKAN