İntrakranial hemorajilerde unet tabanlı derin sinir ağları ile beyin BT görüntülerinin otomatik segmentasyonu ve volümetrik analizi
Automatic segmentation and volumetric analysis of intracranial hemorages in brain CT images with unet-based deep neural networks
- Tez No: 800675
- Danışmanlar: PROF. DR. AHMET TAN CİMİLLİ
- Tez Türü: Tıpta Uzmanlık
- Konular: Radyoloji ve Nükleer Tıp, Radiology and Nuclear Medicine
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: Türkçe
- Üniversite: Sağlık Bilimleri Üniversitesi
- Enstitü: Bağcılar Eğitim ve Araştırma Hastanesi
- Ana Bilim Dalı: Radyoloji Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 92
Özet
Giriş ve Amaç: İntrakranial kanamaları yıllık insidansı 24.6/100.000 'e ulaşan mortalite oranı yüksek tablolardır ve 30 günlük mortalite oranı %35 ile %52 arasında değişiklik gösterebilmektedir. İntrakranial kanaması olan hastalarda mortalite ve morbiditeyi önlemede kanamayı erken tespit etmek hayati önem taşımaktadır. Ayrıca yapılan çalışmalarda hemoraji hacminin mortaliteyi tahmin etmede önemli bir belirteç olduğu da ortaya konulmuştur. Beyin BT görüntüleme ile intrakranial kanama ve alt tipleri yüksek duyarlılık ve özgüllük ile tespit edilebilmektedir. Araştırmalar her 1000 acil servis başvurusunda yaklaşık 78 beyin BT görüntüleme yapıldığını ve bu sayının yıllar içerisinde artış gösterdiğini bildirmektedir. Bu durum görüntülerin yorumlanma sürecini hızlandıracak ve beraberinde tanıda duyarlılık ve özgüllüğü artırabilecek otomatize karar destek sistemlerine ihtiyacı artırmaktadır. Bu bilgilere dayanarak, biz de çalışmamızda kanama bulgusu olan ve olmayan kontrastsız beyin BT görüntülerini işaretleyerek UNET tabanlı derin öğrenme algoritmaları eğitip beyin kanaması otomatik segmentasyonu ve alt tip (intraparankimal, intraventriküler, subaraknoid, epidural ve subdural kanama) sınıflaması yapmayı amaçladık. Gereç ve Yöntem:2021 yılı ve öncesinde Bağcılar Eğitim ve Araştırma Hastanesi HBYS kayıtlarında mevcut beyin BT raporları üzerinden yaptığımız tarama sonucu 500 adet, RSNA veri setinden 517 adet, QURE500 veri setinden 491 adet kontrastsız beyin BT görüntüsü yorumlamayı tamamen engelleyecek düzeyde artefakt barındırmaması kriteri ile ve tüm yaş grubundan hastalardan oluşacak şekilde araştırmamıza dahil edilmiştir. Toplam 1508 BT görüntüsü 9 ayrı sınıfta (Beyin parankimi, Serebrospinal sıvı (SSS), Ödem, IPH, IVH,SDH,EDH,SAH, Pnömosefali) voksel düzeyinde etiketlenmiştir ve temel etiket seti oluşturulmuştur. Elde edilen tüm görüntüler ve etiketlemeler nifti formatında saklanmıştır. Sonrasında Python yazılım dilinde oluşturulmuş nilabels (v.0.0.8) kütüphanesi kullanılarak temel etiket setindeki sınıfların farklı kombinasyonlarla birleştirilmesi ve bazı sınıfların çıkarılması ile 5 ayrı etiket seti daha oluşturulmuştur. Segmentasyon model mimarisi olarak 3D Unet kullanılmış olup geliştirme sürecinde nnUNet çerçevesi tercih edilmiştir. Model eğitim setlerinde 1007, validasyon setlerinde 251, test setlerinde ise 249 BT serisi bulunmakta olup setlerin ayrımında“MultilabelStratifiedShuffleSplit”metodu tercih edilmiş ve 5 kat çapraz validasyon uygulanmıştır. Test setinde elde edilen model performansları ANOVA ve Tukey post hoc analizleri ile karşılaştırılmış, istatistiksel anlamlılık için p0.05). Etiket sayısında artışla birlikte minimal düzeyde dice skorlarında azalma trendi dikkati çekmektedir Radiomics ardıl işlemleme sonrası modellerin duyarlılık değeri ortalama %4.6 (±0,72) azalırken özgüllük değerleri ortalama %8.83 (±2.85) artış göstermiştir, bununla birlikte f1 skorlarında anlamlı bir değişiklik gözlenmemiştir. İşaretlemelerde değerlendiriciler arası uyum için Cohen's Kappa analizinde beyin parankiminde %98.6, SSS'de %95.6, beyin ödeminde %87.4, IVH'ta %88.4, SDH'ta %78.4, EDH'ta %88, SAH'ta %85.3, pnömosefalide %94.4 düzeyinde uyum bulunmaktadır. Manüel ölçümler ile model ölçümleri arasında hacim değerleri bakımından SAH, SDH ve EDH sınıfları haricinde tüm sınıflarda %95 ve üzeri korelasyon bulunmaktadır, SAH sınıfında en düşük %83.8 en yüksek %92, SDH sınfında %85.3, EDH sınıfında ise %55.2 korelasyon tespit edilmiştir. Sonuç: Beyin kanamaları travmatik ve non-travmatik sebeplerle karşımıza çıkabilen morbidite ve mortalitesi yüksek tablolardır. Özellikle acil servislerde ilk başvuruda tanının hızlı konulması ve hasta ciddiyetinin belirlenmesi ve buna göre takip ve tedavi süreçlerinin planlanması için ilk görüntüleme yöntemi olarak beyin BT tercih edilmektedir. Geliştirdiğimiz modeller vasıtasıyla yüksek duyarlılık ve özgüllükte ve düşük yalancı negatiflik ile beyin kanamalarını kontrastsız beyin BT görüntülerinde otomatik olarak tespit edebilmekte ve kanama alt sınıfını da yine görece yüksek doğrulukta belirleyebilmekteyiz. Bu sayede hasta triajının sağlanmasında ve görüntüleme-yorumlama süreçleri arasında geçen vakit kayıplarının önlenmesinde fayda sağlanacağını düşünüyoruz. Önerdiğimiz yöntemin aynı zamanda doğru ve objektif bir volümetrik analiz sağlaması ve 3 boyutlu görsel sonuçlar oluşturabilmesi sayesinde hastaların mortalite ve morbiditelerinin değerlendirilmesinde ve gereğinde cerrahi girişimlerinin planlanmasında önemli katkılar sağlayacağını düşünüyoruz. Çalışmamızda kanama tespiti ve hacimsel ölçümü bakımından literatürde farklı veri setleri ile geliştirilmiş modeller ile benzer sonuçlar elde edilmiştir. Ancak voksel bazlı değerlendirmelerde geliştirdiğimiz modellerin dice skorları görece düşüktür. Model geliştirme sürecinde farklı kaynak, yaş grubu ve yorumlamayı tamamen engellemeyecek artefaktlar gibi suboptimal görüntülemelerin de veri setlerine dahil edilmesi bu durumu kısmen açıklamaktadır. Bununla birlikte literatürdeki çalışmalardan farklı olarak araştırmamızda potansiyel bir beyin kanama vakasına ait bir kontrastsız beyin BT'de en önemli patolojiler olan beyin ödemi, pnömosefali varlığı, kanama alt tiplerinin belirlenmesi, beyin parankimi-serebrospinal sıvı ve ilgili patolojiler arasındaki hacim ilişkisinin tek seferde ve tek bir model ile değerlendirilmesine olanak sağlamaktadır. Ayrıca bildiğimiz kadarı ile çalışmamız sınıf sayısının segmentasyon model başarısına etkisini, radiomics ardıl işlemlemenin yalancı pozitifliği azaltmadaki rolünü ve otomatik pnömosefali segmentasyonunu ortaya koyan literatürdeki ilk çalışmadır.
Özet (Çeviri)
Introduction and Aim: Intracranial hemorrhages are high-mortality conditions with an annual incidence rate reaching 24.6/100,000, and the 30-day mortality rate can vary between 35% and 52%. Early detection of hemorrhage is vital for preventing mortality and morbidity in patients with intracranial hemorrhage. Studies have also shown that hemorrhage volume is an important predictor of mortality. Intracranial hemorrhage and its subtypes can be detected with high sensitivity and specificity using brain CT imaging. Studies report that approximately 78 brain CT scans are performed for every 1000 emergency department visits, and this number has been increasing over the years. This situation increases the need for automated decision support systems that can speed up the process of interpreting images and improve sensitivity and specificity in diagnosis. Based on this information, in our study, we aimed to train UNET-based deep learning algorithms by marking contrast-enhanced and non-contrast-enhanced brain CT images with hemorrhage findings to automatically segment brain hemorrhage and classify its subtypes (intraparenchymal, intraventricular, subarachnoid, epidural, and subdural hemorrhage). Materials and Methods: Through a screening of the Bağcılar Education and Research Hospital's health information system records prior to 2021, we included a total of 500 non-contrast-enhanced brain CT images that did not contain artifacts that would completely prevent interpretation, 517 images from the RSNA dataset, and 491 images from the QURE500 dataset. The images were selected to include patients from all age groups. A total of 1508 brain CT images were labeled at the voxel level in nine different classes (brain parenchyma, cerebrospinal fluid (CSF), edema, intraparenchymal hemorrhage (IPH), intraventricular hemorrhage (IVH), subdural hemorrhage (SDH), epidural hemorrhage (EDH), subarachnoid hemorrhage (SAH), pneumocephalus) to create the basic label set. All obtained images and labels were stored in the NIfTI format. Subsequently, using the nilabels library (v.0.0.8) in the Python programming language, different combinations of classes were merged, and some classes were removed to create five additional label sets. The 3D Unet architecture was used as the segmentation model, and the nnUNet framework was preferred during the development process. The training set consisted of 1007 series, the validation set consisted of 251 series, and the test set consisted of 249 series. The“MultilabelStratifiedShuffleSplit”method was used for the separation of sets, and a 5-fold cross-validation was applied. The model performances obtained on the test set were compared using ANOVA and Tukey's post hoc analyses, and a p-value of 0.05). With an increase in the number of labels, there is a noticeable decrease in dice scores at a minimal level. After radiomics post-processing, the sensitivity values of the models decreased by an average of 4.6% (±0.72), while the specificity values increased by an average of 8.83% (±2.85). However, no significant change was observed in the F1 scores. Cohen's Kappa analysis for inter-rater agreement in annotations showed agreement levels of 98.6% for brain parenchyma, 95.6% for CSF, 87.4% for brain edema, 88.4% for IVH, 78.4% for SDH, 88% for EDH, 85.3% for SAH, and 94.4% for pneumocephalus. Except for the SAH, SDH, and EDH classes, there was a correlation of 95% or higher between manual and model measurements in terms of volume values for all other classes including ICH super class. For SAH, SDH and EDH classes, the lowest correlation of volume values between manual and model measurements among different models was %83.8, %85.3 and %55.2 respectively. Conclusion: Brain hemorrhages are high-morbidity and high-mortality conditions that can occur due to traumatic and non-traumatic causes. In particular, brain CT is preferred as the initial imaging method in emergency departments for the rapid diagnosis, determination of patient severity, and planning of follow-up and treatment processes. Through the models we have developed, we are able to automatically detect brain hemorrhages in non-contrast brain CT images with high sensitivity and specificity, and accurately determine the subtypes of hemorrhage with relatively high accuracy. We believe that this will provide benefits in ensuring patient triage and preventing time losses between imaging and interpretation processes. We also believe that the proposed method will contribute significantly to the evaluation of patient mortality and morbidity, as well as the planning of surgical interventions, by providing accurate and objective volumetric analysis and generating three-dimensional visual results. In our study, similar results were obtained compared to models developed in literature with different datasets in terms of hemorrhage detection and volumetric measurement. However, the dice scores of our models were relatively low in voxel-based evaluations. In the model development process, the inclusion of data obtained from different sources with a wide range of age groups and suboptimal imaging data, such as CT images containing metal and movement artifacts that do not completely hinder interpretation, in the data sets partially explains this situation.However, unlike previous studies in the literature, our research enables the evaluation of important pathologies such as brain edema, pneumocephalus presence, determination of hemorrhage subtypes, and the volume relationship between brain parenchyma-cerebrospinal fluid and hemorrhage areas in a non-contrast brain CT image of a potential brain hemorrhage case with a single model inference. Additionally, to our knowledge, our study is the first to examine the impact of the number of classes on the segmentation model performance, the role of radiomics in reducing false positives, and automatic pneumocephalus segmentation in the literature.
Benzer Tezler
- İntrakranial hemorajilerde manyetik rezonans görüntüleme yöntemi ile evreleme
Başlık çevirisi yok
YAVUZ KILIÇ
Tıpta Uzmanlık
Türkçe
1994
Radyoloji ve Nükleer TıpAtatürk ÜniversitesiRadyoloji Ana Bilim Dalı
DOÇ. DR. ADNAN OKUR
- Travmatik intrakranial hemorajilerde bilgisayarlı tomografinin tanı değeri
Başlık çevirisi yok
EMİNE BAKAR
- Serebrovasküler hastalıklarda klinik bulgular ve bilgisayarlı beyin tomografisi sonuçları
Başlık çevirisi yok
M.ATİLLA TEZCANLI
- Sol ventrikül destek cihazlı (SVDC) hastalarda gelişen spontan intraserebral hemorajilere nöroşirurjikal yaklaşım ve mortalite üzerine etkileri
Neurosurgical approach and its effects on mortality in spontaneous intracerebral hemorrhages in patients with left ventricular assist device (LVAD)
EMRE DURSUN
Tıpta Uzmanlık
Türkçe
2020
NöroşirürjiEge ÜniversitesiBeyin ve Sinir Cerrahisi Ana Bilim Dalı
DOÇ. DR. ERKİN ÖZGİRAY
- Fetal anomalilerin prenatal tanısında manyetik rezonans görüntülemenin etkinliği
Effectiveness of magnetic resonance imaging in prenatal diagnosis of fetal anomalies
ALARA MACİT
Tıpta Uzmanlık
Türkçe
2024
Kadın Hastalıkları ve Doğumİstanbul Üniversitesi-CerrahpaşaKadın Hastalıkları ve Doğum Ana Bilim Dalı
PROF. DR. RIZA MADAZLI