Geri Dön

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

PDF İndir

  1. Tez No: 760891
  2. Yazar: ESİN KORKUT
  3. Danışmanlar: PROF. DR. ŞÜKRÜ MEHMET ERTÜRK
  4. Tez Türü: Tıpta Uzmanlık
  5. Konular: Radyoloji ve Nükleer Tıp, Radiology and Nuclear Medicine
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2022
  8. Dil: Türkçe
  9. Üniversite: İstanbul Üniversitesi
  10. Enstitü: Tıp Fakültesi
  11. Ana Bilim Dalı: Radyoloji Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 150

Özet

GİRİŞ VE AMAÇ: 1990'ların başından bu yana, AJCC evrelemesine göre T1b, T2, T3 olan ve klinik olarak lenf nodu negatif kutanöz malign melanom hastalarında lenfatik haritalama ve sentinel lenf nodu biyopsisi (SLNB); rutin olarak bir evreleme prosedürü olarak kullanılmaktadır1. Bununla birlikte, bilgisayarlı tomografi tekstür analizi gibi daha yeni görüntüleme tekniklerinin, onkolojik görüntülemede lenf nodu metastazı ve hastaların prognozunun tahmin edilmesinde faydalı olduğu düşünülmektedir. Bu çalışmada malign melanom hastalarında Pozitron Emisyon Tomografisi-Bilgisayarlı Tomografi (PET-BT) incelemesindeki PET ve bilgisayarlı tomografi görüntülerinde lenf nodlarının tekstür analiz parametreleri ile postoperatif lenf nodlarının patolojisi korele edilecektir. Bu çalışma ile tekstür analizi ve makine öğrenmesi kullanılarak malign melanom hastalarında metastatik lenf nodlarını tespit edebilmeyi hedeflemekteyiz. MATERYAL VE METOD: SLNB işlemi öncesi yapılan PET-BT görüntülemelerindeki PET ve BT kesitlerinde lenf nodlarına iki radyolog tarafından Canon firmasına ait 'OLEA' yazılımı üzerinden serbest el region of interest (ROI) yerleştirilerek volümetrik segmentasyonları yapıldı. Tekstür analizi paramterelerinden metastatik ve non metastatik grupta istatiksel olarak anlamlı farklılık gösteren özellikler saptandı. Öznitelik seçilimi aşamasında, intra-class correlations(ICC) analizi (threshold 0.75) ile tekrarlanabilir öznitelikler seçildi. PET ve BT görüntülerinden elde edilen tekrarlanabilir öznitelikler birleştirilerek yeni bir kombine grup oluşturuldu. Pearson korelasyon katsayılarına göre birbiri ile 0.7'den fazla korelasyon göstermeyen öznitelikler üçüncü aşamaya alındı. Son aşamada wrapper tabanlı ardışık öznitelik seçim algoritması (AÖS) kullanılarak öznitelikler seçildi. Support vector machine(SVM) ve Logistic Regression(LR) algoritmaları kullanılarak modeller oluşturuldu. Çift katmanlı çapraz validasyon tekniği ile modellerin optimizasyonu sonrasında validasyonu yapıldı. BULGULAR: Çalışmaya malign melanom tanısı almış, hastalığın evresini belirlemek için lenf nodu metastazını değerlendirmek amacıyla PET-BT görüntülemesi yapılan ve histopatolojik olarak verifiye; 44 hasta dahil edildi (24 malign, 20 benign). Her görüntüden 111 adet olmak üzere PET ve BT'den iki gözlemci için toplamda 444 adet öznitelik çıkarıldı. BT tekstür analizinde iki gözlemcide de metastatik ve metastaz olmayan hasta gruplarında 111 adet öznitelikten 67, PET tekstür analizinde 50 tanesi istatiksel olarak anlamlı farklılık göstermekteydi. PET ve BT'den iki gözlemci için toplamda 444 öznitelik çıkarıldı. ICC analizi sonucunda BT 364, PET 356 öznitelik çıkarıldı. Pearson korelasyonu sonrasında AÖS BT, PET ve kombine grupta sırasıyla, 6 ,7 ve 8 öznitelik seçti. BT görüntüleri ile oluşturulan SVM ve LR modellerinin doğruluk oranları ikisinin de %81, PET modellerinin sırasıyla %75 ve %68, kombine modelin ise sırasıyla %84 ve %78 olarak bulundu. Wilcoxon testinde SVM modeli kombine ve PET görüntülerde LR modeline göre daha başarılı bulundu(p = 0.027, 0.043). LR modelleri Friedman testi ile birbirleriyle kıyaslandığında BT görüntülerle oluşturulan model, PET görüntülere göre başarılı bulundu(p = 0.012). SVM modellerinde görüntü setleri arasında anlamlı farklılık saptanmadı(p = 0.607). SONUÇ: Malign melanom tedavi-evrelemesinde lenf nodu metastazı önemli bir faktördür. Çalışmamızdan elde edilen sonuçlar sayesinde tekstür analizi incelemesi malign melanom hastalarında metastatik lenf nodu tanısında umut vaat etmektedir. SLNB ile kıyaslandığında invaziv olmaması, tekrarlanılabilirliliği önemli avantajdır. PET-BT tetkikleri ile kıyaslandığında BT'nin yüksek anatomik detay sağlaması, radyonüklid maruziyetinin bulunmaması pozitif yön olarak öne çıkmaktadır. Çalışmamız literatürde malign melanomun lenf nodu metastazını PET ve BT'de radiomics tabanlı değerlendiren tek çalışmadır. Bu sebeple bulguların doğrulanması için daha büyük ölçekli araştırmalara ihtiyaç duyulmaktadır.

Özet (Çeviri)

AIM: Since the early 1990s, lymphatic mapping and sentinel lymph node biopsy (SLNB) in cutaneous malignant melanoma patients with AJCC staging T1b, T2, T3 and clinically lymph node negative; is routinely used as a staging procedure1. However, latest imaging techniques such as computed tomography texture analysis are thought to be useful in predicting lymph node metastasis and prognosis of patients in oncologic imaging. In this study, texture analysis parameters of lymph nodes in computerized tomography and Positron Emission Tomography images and metabolic characters in PET-CT will be correlated with the pathology of postoperative lymph nodes in malignant melanoma patients. In this study, we aimed to detect metastatic lymph nodes in patients with malignant melanoma using texture analysis and machine learning. MATERIALS AND METHODS: Volumetric segmentation was performed by two radiologists by placing a free-hand region of interest (ROI) on Canon's 'OLEA' software on PET-CT images. We analysed the significant parameters of texture analysis in metastatic lymph nodes. During the feature selection phase, reproducible features were selected with intra-class correlations (ICC) analysis (threshold 0.75). A new combined group was created by combining reproducible features from PET and CT images. According to the Pearson correlation coefficients, the features that did not correlate more than 0.7 with each other were included in the third stage. At the last stage, the features were selected using the wrapper-based recursive feature selection algorithm. Models were created using Support vector machine (SVM) and Logistic Regression (LR) algorithms. RESULTS: A total of 44 malignant melanoma patients underwent diagnostic 18F-FDG PET/CT imaging to evaluate lymph node metastasis to determine the stage of the disease. After SLNB and/or lymph node dissection 24 of them had been reported with regional lymph node metastasis. In texture analysis 111 features of the lymph nodes were extracted from each image, total 444 for two observers from both PET and CT images. In CT texture analysis, 67 of 111 features in metastatic and non-metastatic patient groups showed statistically significant differences in both observers and 50 in PET texture analysis. As a result of the ICC analysis, CT 364 and PET 356 features were extracted. After Pearson correlation, 6, 7 and 8 features were selected with the wrapper-based recursive feature selection algorithm in CT, PET and combined group, respectively. The accuracy rates of SVM and LR models created with CT images were 81% for both, 75% and 68% for PET models, and 84% and 78% for the combined model, respectively. In the Wilcoxon test, the SVM model was found to be more successful than the LR model in combined and PET images (p = 0.027, 0.043). When LR models were compared with each other using the Friedman test, the model created with CT images was found to be more successful than PET images (p = 0.012). No significant difference was found between image sets in SVM models (p = 0.607). CONCLUSION: Lymph node metastasis is an important factor in the treatment and staging of malignant melanoma. In our study, machine-learning models for preoperative prediction of regional LN metastasis of malignant melanoma based on PET and CT based radiomic features were successfully developed and validated. According to the results obtained from our study, texture analysis and machine learning is promising in the diagnosis of metastatic lymph node in patients with malignant melanoma. Compared to SLNB, its non-invasiveness and reproducibility are important advantages. Compared to PET-CT examinations, CT provides high anatomical detail and no radionuclide exposure stands out as positive aspects. Our study is the only study in the literature to evaluate lymph node metastasis of malignant melanoma based on radiomics in PET and CT. Therefore, larger and deeper studies are needed to confirm the findings.

Benzer Tezler

  1. Tez No

    535770

    Malign melanomda ING-2 gen fonksyonlarının araştırılması (Klinik çalışma)

    Investigation of ING-2 gene functions in malignant melanoma (Clinical study)

    ROYAL KHANKISHIYEV

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2018

    Moleküler Tıpİstanbul Üniversitesi-Cerrahpaşa

    Plastik Rekonstrüktif ve Estetik Cerrahi Ana Bilim Dalı

    PROF. DR. ARİF TÜRKMEN

  2. Tez No

    477975

    Deri melanomlarında lenfovasküler invazyon saptanmasında konvansiyonel ışık mikroskopik inceleme ile dual immünhistokimyasal incelemenin karşılaştırılması

    Comparison of conventional light microscopic examination and dual immunohistochemical examination for the detection of lymphovascular invasion in cutaneous melanomas

    AYSEL BAYRAM

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2017

    Patolojiİstanbul Üniversitesi

    Patoloji Ana Bilim Dalı

    PROF. DR. NESİMİ BÜYÜKBABANİ

  3. Tez No

    634074

    Yüzeyel lenf nodlarında ultrasonografi, renkli doppler ultrasonografi ve elastografi sonuçlarının patoloji sonuçlarıyla karşılaştırılması

    Efficiency of ultrasonography and shear wave elastography in differentiating between benign and malignant superficial lymph nodes

    ZEYNEL YALÇIN

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2020

    Radyoloji ve Nükleer TıpAnkara Üniversitesi

    Radyoloji Ana Bilim Dalı

    PROF. DR. CEMİL YAĞCI

  4. Tez No

    337354

    Sentinel lenf nodu negatif olan kutanöz malin melanom tanılı hastalarda PET-BT'nin etkinliği

    The effectiveness of FDG-PET-CT in cutaneous malignant melanoma patients with negative sentinel lymph nodes

    ÖZGE VURAL TOPUZ

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2011

    Radyoloji ve Nükleer Tıpİstanbul Üniversitesi

    Nükleer Tıp Ana Bilim Dalı

    PROF. DR. HALUK B. SAYMAN

  5. Tez No

    850203

    Metastatik malign melanom hastalarının klinik ve patolojik özellikleri, sağkalımları ve sağkalım belirleyicilerinin incelenmesi

    Evaluation of metastatic malignant melanoma patients' clinical and pathological features, survival, and survival factors

    FATIMA GÜL GÜLBAHÇE İNCESU

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2023

    OnkolojiHacettepe Üniversitesi

    İç Hastalıkları Ana Bilim Dalı

    PROF. DR. ÖMER DİZDAR

Geri Dön