Geri Dön

Kontrastlı mamografi görüntülerinde benign ve malign meme kitlelerinin radyomik özelliklerinin karşılaştırılması

Comparison of radiomic features of benign and malign breast masses on contrast enhanced mammography images

  1. Tez No: 807932
  2. Yazar: AYKUT TEYMUR
  3. Danışmanlar: PROF. DR. SİBEL KUL
  4. Tez Türü: Tıpta Uzmanlık
  5. Konular: Radyoloji ve Nükleer Tıp, Radiology and Nuclear Medicine
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2023
  8. Dil: Türkçe
  9. Üniversite: Karadeniz Teknik Üniversitesi
  10. Enstitü: Tıp Fakültesi
  11. Ana Bilim Dalı: Radyoloji Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 78

Özet

Amaç: Bu çalışmanın amacı, kontrastlı mamografide (CEM) düşük enerjili ve rekombinant görüntülerinde doku analizi ile meme kitlelerinin benign-malign ayrımında kullanılabilecek radiomik özellikleri çıkarıp, radiomik analizin tanısal etkinliğini ortaya koymaktır. Gereç ve yöntem: Etik kurul onayı sonrası, Eylül 2013-Ağustos 2022 tarihleri arasında şüpheli klinik yada radyolojik bulguları nedeniyle tanısal amaçlı kontrastlı mamografi yapılıp kitle tespit edilen ve sonrasında kesin tanı alan 145 olgu çalışmaya dahil edildi. Kontrastlı mamografi görüntüleri, GE Senographe Essential tam alan dijital mamografi cihazı ile elde edildi ve meme görüntüleme konusunda 20 ve 3 yıllık tecrübeye sahip iki radyolog tarafından mamografi iş istasyonunda değerlendirildi. Hasta görüntüleri DICOM formatında açık kaynaklı görüntü işleme aracı ITK-SNAP'e yüklendi. Radyomik analiz için sadece kitleyi içine alacak şekilde, her bir lezyonun sınırı manuel olarak çizildi. Bu segmentasyon işlemi düşük enerjili ve rekombinant görüntülerin tamamına uygunlandı. Daha sonra bu mamografi görüntülerinden elde edilen iki boyutlu tümörlerden, PyRadiomics Phyton programı kullanılarak 102 radyomik özellik çıkartıldı. Çalışma kapsamında elde edilen radyomik özellikler ve kullanılan matrisler ; şekil tabanlı özellikler, birinci derece özellikler, Gri Düzey Eş Yerleşim Matrisi (GLCM), Gri Düzey Çalışma Uzunluğu Matrisi (GLRLM), Gri Düzeyli Boyut Bölge Matrisi (GLSZM), Gri Düzey Bağımlılık Matrisi (GLDM) ve Komşu Gri Ton Farkı Matrisi (NGTDM)'dir. Öznitelik azaltmak için, MATLAB yazılımında bulunan MRMR, ReliefF ve ANOVA algoritmaları kullanıldı. Her algoritma, her özellik için bir önem skoru ve sıralaması oluşturdu. Her algoritma için en yüksek skora sahip 10 öznitellik seçildi. Veri setinin %75'i eğitim için, % 25'i test için rastgele ayrıldı. Farklı sınıflandırıcılar, özellik alt kümelerini değişik şekillerde seçen sıralı bir ileri özellik seçim algoritması geliştirerek iyi huylu ve kötü huylu ROI'leri ayırt etmek için eğitildi. Denetimli makine öğrenimi için, topluluk öğrenmesi, karar ağaçları, naive bayes, destek vektör makineleri ve nöral sinir ağları algoritmaları kullanıldı. Sınıflandırma işlemi, 10 katlı çapraz doğrulama (10 fold Cross validation) kullanılarak yapıldı. Modelin optimizasyonunda, tüm hiperparametre kombinasyonlarını deneyerek en iyi sonucu veren hiperparametre değerlerini bulan Grid search optimization yöntemi kullanıldı. Test performans değerlendirmesinde düşük enerjili ve rekombinant görüntüler için ayrı ayrı karışıklık matrisi üzerinden sırasıyla eğri altında kalan alan (AUC), doğruluk, duyarlılık, özgüllük, pozitif ve negatif öngörü değerleri hesaplandı. En iyi model, en yüksek doğruluk ve AUC değeri dikkate alınarak seçildi. Tüm analizler için MATLAB R2022b (MathWorks, Inc., Natick, MA, ABD) yazılımı kullanıldı. Bulgular: Çalışma kapsamında değerlendirilen tüm kitlelerin %44,5'i (n=73) benign, %55,5'i (n=91) malign tanılı idi. Benign grupta hastaların yaş ortalaması 48,1±9,5 ve malign grupta 49,9±10,5 idi. Ortalama tümör boyutu benign grupta 23,2±20,6 mm, malign grupta 35,7±21,5 mm idi. Üç farklı algoritmanın analizi sonucunda rekombinant görüntüler için en değerli 22, düşük enerjili görüntüler için en değerli 25 öznitelik seçildi. Her iki tip görüntülerde de en iyi sınıflandırıcı topluluk öğrenmesi idi. En yüksek doğruluk ve AUC değeri sırasıyla rekombinant görüntüler için %91,8 ve 0.978, düşük enerjili görüntüler için %89,7 ve 0.968 olup topluluk öğrenmesi metodu ile elde edildi. Rekombinant görüntülerde duyarlılığı en yüksek sınıflandırıcılar %91,8 ile topluluk öğrenmesi ve destek vektör makinaları oldu. En yüksek özgüllük ise %95,8 ise nöral sinir ağları sınıflandırıcısı ile elde edildi. Düşük enerjili görüntülerde duyarlılığı en yüksek sınıflandırıcı %98,0 ile topluluk öğrenmesi metodu ile elde edildi. En yüksek özgüllük ise %91,7 ile destek vektör makinaları ile elde edildi. Tartışma: Çalışma sonuçlarımız kontrastlı mamografide kitlelerin benign-malign ayrımlarında yardımcı olabilecek ayrıt edici radyomik özellikleri olduğunu ortaya koymaktadır. Ayrıca güncel bir konu olan yapay zeka tabanlı radyolojik otomatik karar destek sistemleri için de sonuçlarımız ümit verici olması ve veri sağlaması açısından önemlidir

Özet (Çeviri)

Purpose: The aim of this study is to extract radiomic features from tissue analysis in low-energy and recombined images of contrast-enhanced mammography (CEM), which can be used for the benign-malignant differentiation of breast masses, and to demonstrate the diagnostic effectiveness of radiomic analysis. Material and Method: After obtaining ethical committee approval, a total of 145 cases were included in the study, between September 2013 and August 2022, who underwent contrast-enhanced mammography (CEM) for diagnostic purposes due to suspicious clinical or radiological findings, and subsequently received a definitive diagnosis. The contrast-enhanced mammography images were acquired using the GE Senographe Essential full-field digital mammography system and evaluated by two radiologists with 20 and 3 years of experience in breast imaging, respectively, at the mammography workstation. Patient images were loaded into the open-source image processing tool ITK-SNAP in DICOM format. For radiomic analysis, the boundary of each lesion was manually delineated to include only the mass. This segmentation process was applied to both low-energy and recombined images. Subsequently, 102 radiomic features were extracted from the two-dimensional tumors obtained from these mammography images using the PyRadiomics Python program. The radiomic features obtained in the study and the matrices used are shape-based features, first-order features, Gray Level Co-Occurrence Matrix (GLCM), Gray Level Run Length Matrix (GLRLM), Gray Level Size Zone Matrix (GLSZM), Gray Level Dependence Matrix (GLDM), and Neighboring Gray Tone Difference Matrix (NGTDM). To reduce the dimensionality of the features, the MRMR, ReliefF, and ANOVA algorithms available in MATLAB software were used. Each algorithm generated an importance score and ranking for each feature, and the top 10 features with the highest scores were selected for each algorithm. The dataset was randomly divided into 75% for training and 25% for testing. Different classifiers were trained to distinguish between benign and malignant ROIs by developing a sequential forward feature selection algorithm that selects feature subsets in different ways. For supervised machine learning, ensemble learning, decision trees, naive Bayes, support vector machines, and neural networks algorithms were used. The classification process was performed using 10-fold cross-validation. In model optimization, the Grid search optimization method was used to find the best hyperparameter values by trying all hyperparameter combinations. For test performance evaluation, the area under the curve (AUC), accuracy, sensitivity, specificity, positive predictive value, and negative predictive value were calculated from the confusion matrix separately for low-energy and recombined images. The best model was selected based on the highest accuracy and AUC value. MATLAB R2022b software (MathWorks, Inc., Natick, MA, USA) was used for all analyses. Results: Within the scope of the study, 44.5% (n=73) of all evaluated masses were benign, and 55.5% (n=91) were diagnosed as malignant. In the benign group, the mean age of patients was 48.1±9.5 years, while in the malignant group, it was 49.9±10.5 years. The mean tumor size was 23.2±20.6 mm in the benign group and 35.7±21.5 mm in the malignant group. Based on the analysis of three different algorithms, the most valuable 22 features were selected for recombined images and the most valuable 25 features for low-energy images. The best classifier for both types of images was ensemble learning. The highest accuracy and AUC values were achieved with ensemble learning for recombined images, which were 91.8% and 0.978, respectively, and for low-energy images, they were 89.7% and 0.968, respectively. The classifiers with the highest sensitivity for recombined images were ensemble learning and support vector machines, both achieving 91.8%. The highest specificity, on the other hand, was obtained with neural networks classifier, which was 95.8%. For low-energy images, the classifier with the highest sensitivity was ensemble learning with 98.0%, while the highest specificity was achieved with support vector machines at 91.7%. Discussion: The results of our study demonstrate that there are discriminative radiomic features that can assist in the benign-malignant differentiation of masses in contrast-enhanced mammography. Furthermore, our findings are promising and significant in terms of providing data for the current topic of artificial intelligence-based radiological automated decision support systems.

Benzer Tezler

  1. Tez No

    319294

    Radyolojik olarak muhtemel benign (BIRADS-3) karakterde ancak klinik olarak şüpheli meme kitlelerinin benign-malign ayrımında difüzyon mrg'nin rolü

    The role of diffusion mri in the benign-malignant differentiation of radiologically probably benign (BIRADS-3) clinically suspicious breast masses

    ÖZLEM KÖMÜRCÜOĞLU

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2012

    Radyoloji ve Nükleer TıpKaradeniz Teknik Üniversitesi

    Radyoloji Ana Bilim Dalı

    YRD. DOÇ. DR. SİBEL KUL

  2. Tez No

    332334

    Görüntü işleme teknikleri kullanılarak, 2-boyutlu mamografik verilerde kanserli bölge tanısı

    Cancer region diagnosis of 2-dimensional mammographic data using image processing techniques

    PELİN GÖRGEL

    Doktora

    Türkçe

    Türkçe

    2011

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. AHMET SERTBAŞ

    PROF. DR. OSMAN NURİ UÇAN

  3. Tez No

    789992

    Meme lezyonlarının kontrastlı mamografi ile kantitatif analizi ve histopatolojik sonuçlar ile karşılaştırılması

    Quantitative analysis of breast lesions on contrast-enhanced mammography and comparison with histopathological results

    HÜSEYİN BÜLÜÇ

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2022

    Radyoloji ve Nükleer TıpHacettepe Üniversitesi

    Radyoloji Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ GAMZE DURHAN

  4. Tez No

    641746

    Dual enerji kontrastlı mamografi: Teknik, endikasyonlar ve manyetik rezonans görüntüleme/mamografi ile kıyaslama

    Dual energy contrast enhanced digital mammography: Technique, indications and comparison with magnetic resonance imaging/mammography

    SABAHATTİN YÜZKAN

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2019

    Radyoloji ve Nükleer TıpEge Üniversitesi

    Radyoloji Ana Bilim Dalı

    PROF. DR. AYŞE NUR OKTAY ALFATLI

  5. Tez No

    282713

    Sayısal mammografi görüntülerinin iyileştirilmesi

    Enhancement of mammography images

    ALİ ÜLGEN

    Yüksek Lisans

    Türkçe

    Türkçe

    2008

    Biyomühendislikİstanbul Üniversitesi

    Biyomedikal Mühendisliği Ana Bilim Dalı

    PROF. DR. OSMAN NURİ UÇAN

Geri Dön