Glial tümörlerin derecelendirilmesinde radyomiks ve makine öğrenmesi algoritmalarının tanısal performansı
Diagnostic performance of radiomics and machine learningalgorithms for grading glial tumors
- Tez No: 809164
- Danışmanlar: DOÇ. DR. MEHMET BARBUROĞLU
- Tez Türü: Tıpta Uzmanlık
- Konular: Radyoloji ve Nükleer Tıp, Radiology and Nuclear Medicine
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: Türkçe
- Üniversite: İstanbul Üniversitesi
- Enstitü: Tıp Fakültesi
- Ana Bilim Dalı: Radyoloji Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 93
Özet
GİRİŞ VE AMAÇ: Gliomlar MSS'nin en sık primer tümörleridir. Gliomların alt gruplarını karekterize etmek prognozun tahmini ve tedavi stratejisini belirleme açısından oldukça önemlidir. Histopatolojik değerlendirme gliomaların derecelendirilmesi için standart yöntem olmasına rağmen çeşitli sınırlamalar içermektedir. Bu nedenle invazif olmayan derecelendirme geliştirmek esastır. Çalışmamızda DSÖ 2021 5.versiyona göre sınıflanmış yetişkin tip glial tümörlerin preoperatif MR görüntülerinden elde edilen radyomiks özellikleriyle oluşturulan makine öğrenmesi algoritmalarının derecelendirmeyi öngörmedeki başarısını saptamak amaçlanmaktadır. MATERYAL VE METOD: İstanbul Üniversitesi İstanbul Tıp Fakültesi Beyin ve Sinir Cerrahisi Ana Bilim Dalı'nda opere edilen hastalara ait preoperatif MR görüntülemeleri retrospektif olarak değerlendirildi. Tekstür analizi iki radyolog tarafından '3D Slicer' yazılımı üzerinden yapıldı. ADC, T2A ve T1AK+ görüntülerden elde edilen özelliklerden ve oluşturulan kombine gruptan ayrı ayrı özellikler seçildi. Makine öğrenmesi algoritmaları kullanılarak modeller oluşturuldu. BULGULAR: Çalışmaya yetişkin tip diffüz glial tümör tanısı almış preoperatif MRG'si bulunan 102 hasta dahil edilerek ADC, T2A ve T1AK+ görüntülerin her birine ait 107 özellik çıkarıldı. ICC ile tekrarlanabilir özellikler belirlenerek her bir sekanstan çıkarılan özelliklerden ve oluşturulan kombine gruptan AGYS ile seçim yapıldı. Ayrıca kombine gruptan SelectKBest ile ayrı bir sınıflandırma için özellikler seçildi. Makine öğrenmesi algoritmalarıyla sınıflandırma yapıldı. En yüksek doğruluk , AUC değerleri ADC görüntülerden çıkarılan özelliklerle yapılan sınıflandırmada LGBM Classifier(doğruluk: 0.9, AUC: 0.88), T1AK+ görüntülerden çıkarılan özelliklerle yapılan sınıflandırmada Gradient Boosting(doğruluk: 0.9, AUC: 0.86) ve Ada Boost(doğruluk: 0.88, AUC: 0.88) ile elde edildi. SONUÇ: Çalışmamızda ADC ve T1AK+ görüntülerden çıkarılan radyomiks özelliklerle oluşturulan makine öğrenmesi algoritmalarının derece 2-3 ve derece 4 tümör ayrımında en iyi sonuçları verdiği gösterilmiştir.
Özet (Çeviri)
AIM: Gliomas are the most common primary tumors of the CNS. Characterizing subgroups of gliomas is very important for predicting prognosis and determining treatment strategy. Although histopathological evaluation is the standard method for grading gliomas, it has several limitations. Therefore, it is essential to develop non-invasive grading. In our study, it is aimed to determine the success of machine learning algorithms created with radiomics features obtained from preoperative MR images of adult type glial tumors classified according to WHO 2021 5th edition in predicting grading. MATERIALS AND METHODS: Preoperative MRI scans of patients who were operated in Istanbul University, Istanbul Faculty of Medicine, Department of Neurosurgery were evaluated retrospectively. Texture analysis was performed by two radiologists using the '3D Slicer' software. Separate features were selected from the features obtained from ADC, T2W and T1WC+ images and from the combined group created. Models were created using machine learning algorithms. RESULTS: The study included 102 patients diagnosed with adult-type diffuse glial tumor and had preoperative MRI and 107 features were extracted from each of the ADC, T2W and T1WC+ images. Reproducible features were determined by ICC and the features extracted from each sequence and the combined group were selected by sequential backward selection method. Also, features were selected from the combined group for a separate classification with SelectKBest. Classification done with machine learning algorithms. The highest accuracy , AUC values are LGBM Classifier(accuracy: 0.9, AUC: 0.88) in classification with features extracted from ADC images, Gradient Boosting(accuracy: 0.9, AUC: 0.86) and Ada Boost(accuracy: 0.88, AUC: 0.88) in classification with features extracted from T1WC+ images. CONCLUSION: In our study, it has been shown that machine learning algorithms created with radiomic features extracted from ADC and T1WC+ images give the best results in differentiating grade 2-3 and grade 4 tumors.
Benzer Tezler
- İntrakranial kitlelerin değerlendirilmesinde difüzyon MRG incelemesinin tanıya katkısı
Diagnostic value of diffusion-weighted MRI examination in the evaluation of intracranial masses
İBRAHİM GÜLER
Tıpta Uzmanlık
Türkçe
2012
Radyoloji ve Nükleer TıpNecmettin Erbakan ÜniversitesiRadyodiagnostik Ana Bilim Dalı
PROF. DR. MEHMET EMİN SAKARYA
- Pediatrik intrakranial kitlelerin duyarlılık ve difüzyon ağırlıklı manyetik rezonans görüntüleme ile değerlendirilmesi
Evaluation of pediatric intracranial masses with susceptibility and diffusion-weighted magnetic resonance imaging
MUSTAFA YASİR ÖZLÜ
Tıpta Uzmanlık
Türkçe
2022
Radyoloji ve Nükleer TıpSelçuk ÜniversitesiRadyoloji Ana Bilim Dalı
DOÇ. DR. MEHMET ÖZTÜRK
- 3 tesla manyetik rezonans görüntüleme ile beyin tümörlerinde perfüzyonun değerlendirilmesi
Başlık çevirisi yok
SENEM ŞENTÜRK
Tıpta Uzmanlık
Türkçe
2005
Radyoloji ve Nükleer TıpHacettepe ÜniversitesiRadyoloji Ana Bilim Dalı
PROF.DR. AYŞENUR CİLA
- Glial tümör-metastatik tümör ayırıcı tanısında ileri manyetik rezonans görüntülemenin rolü
The role of advanced magnetic resonance imaging in the differential diagnosis of glial tumor-metastatic tumor
MERVE BÜYÜKER
Tıpta Uzmanlık
Türkçe
2024
Radyoloji ve Nükleer TıpManisa Celal Bayar ÜniversitesiRadyoloji Ana Bilim Dalı
PROF. DR. GÜLGÜN YILMAZ OVALI
- Glial tümörlerin tanısında bilgisayarlı tomografi ve manyetik rezonans görüntülemenin önemi
Başlık çevirisi yok
HİLMİ KÖSEOĞLU
Tıpta Uzmanlık
Türkçe
1998
Radyoloji ve Nükleer TıpSelçuk ÜniversitesiRadyoloji Ana Bilim Dalı
PROF. DR. KEMAL ÖDEV