Parotis bezi tümörlerinin ayırıcı tanısında yapay zeka kullanımı
Use of artificial intelligence in the differential diagnosis of parotid gland tumors
- Tez No: 820498
- Danışmanlar: DOÇ. DR. FATMA BEYAZAL ÇELİKER
- Tez Türü: Tıpta Uzmanlık
- Konular: Radyoloji ve Nükleer Tıp, Radiology and Nuclear Medicine
- Anahtar Kelimeler: Parotis bezi tümörü, manyetik rezonans görüntüleme, yapay zekâ, derin öğrenme, sınıflandırma, Parotid gland tumor, magnetic resonance imaging, artificial intelligence, deep learning, classification
- Yıl: 2023
- Dil: Türkçe
- Üniversite: Recep Tayyip Erdoğan Üniversitesi
- Enstitü: Tıp Fakültesi
- Ana Bilim Dalı: Radyoloji Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 61
Özet
Giriş ve amaç: Parotis bezi tümörleri tüm baş boyun tümörlerinin yaklaşık %3-6'sını oluşturur. Çok sayıda histopatolojik alt tipi bulunan bu tümörlerin yaklaşık %80'i benigndir. Bu tümörlerin tanısında ultrasonografi, bilgisayarlı tomografi, manyetik rezonans görüntüleme (MRG) kullanılmakla beraber en duyarlı modalite MRG'dir. Benign ve malign tümörlerin tedavi süreci birbirinden farklı olduğundan bu tümörlerin ayırıcı tanısının yapılması önem arz etmektedir. Biz bu çalışmamızda derin öğrenme kullanarak parotis bezi tümörlerinin MRG üzerinden ayırıcı tanısını yapmayı amaçladık. Gereç ve Yöntem: Hastanemiz Recep Tayyip Erdoğan Üniversitesi Tıp Fakültesi Eğitim ve Araştırma Hastanesinde Ocak 2017- Mart 2023 tarihleri arasında parotis bezi tümörü nedeniyle opere olmuş ve ameliyat öncesi kontrastlı boyun MRG çekimi olan hastalar çalışmaya dahil edildi. Toplam 113 hastaya ait 117 parotis bezi tümörü çalışmaya dahil edilmiştir. Tüm hastaların 1.5 T MRG cihazından elde edilen görüntülerden kontrast öncesi T1, T2, DAG-b0, DAG-b2000, ADC ve kontrastlı T1 ağırlıklı sekansları kullanıldı. Görüntüler aksiyel kesitler halinde kaydedildi ve tüm görüntüler standart boyutta kırpıldı. Kırpılan görüntülerden oluşturulan dört farklı veri setine görüntü artımı işlemi uygulandıktan sonra tüm veri setleri %80 eğitim %20 doğrulama olarak ikiye ayrıldı. Görüntüler ön işleme aşamalarının ardından ResNet-18 derin öğrenme mimarisi kullanılarak sınıflandırıldı. Bulgular: Doğrulama seti sonuçlarına göre; benign-malign ayrımı için oluşturulan veri seti 1'de bulunan T2, T1, T1c, DAG-b0, DAG-b2000, ADC sekansları için doğruluk oranları sırasıyla %93,75, 91,07, 91,07, 90,18, 91,84, 90,91'dir. Pleomorfik adenom (PA) ve warthin tümörü ayrımını hedefleyen veriseti 2'de tüm sekanslar için doğruluk değerleri sırasıyla % 87,95, 90,36, 86,75, 90,36, 83,95, 86,75'dir. Malign tümör ve warthin tümörü ayrımı için oluşturulan veriseti 3'de tüm sekanslar için doğruluk değerleri sırasıyla % 93,46, 95,37, 90,74, 93,52, 91,58, 85,85'tir. Veriseti 4'te bulunan tüm grupların sınıflandırmasında ise tüm sekanslar için doğruluk değerleri sırasıyla % 86,67, 81,21, 83,64, 84,85, 80,95, 84,05'dir. ix Sonuç: Derin öğrenme mimarileri günümüzde zorluğunu sürdüren parotis bezi tümörlerinin ayırıcı tanısında yüksek başarı göstermektedir. Sadece benign ve malign grupların ayrımını yapmakla kalmayıp farklı alt tipleri de yüksek başarı ile sınıflandırmaktadır. Bu başarılı sonuçlarla derin öğrenme kişiselleştirilmiş tanı süreçlerinin bir parçası olmak için umut vadetmektedir.
Özet (Çeviri)
Introduction and Objective: Parotid gland tumors constitute approximately 3-6% of all head and neck tumors. Approximately 80% of these tumors, which have many histopathologic subtypes, are benign. Although ultrasonography, computed tomography and magnetic resonance imaging are used in the diagnosis of these tumors, MRI is the most sensitive modality. Since the treatment process of benign and malignant tumors is different from each other, it is important to make a differential diagnosis of these tumors. In this study, we aimed to investigate the contribution of classification with deep learning architectures to differential diagnosis using MRI. Materials and Methods: Patients who underwent surgery for parotid gland tumors between January 2017 and March 2023 at our hospital, Recep Tayyip Erdoğan University Faculty of Medicine, Training and Research Hospital, and who had preoperative contrast-enhanced neck MRI were included in the study. A total of 113 patients with 117 parotid gland tumors were included in the study. Pre-contrast T1, T2, DWI b0, DWI b2000, ADC, and contrast-enhanced T1-weighted sequences were used from the images obtained from the 1.5 T MRI machine. Images were recorded as axial slices and all images were cropped to standard size. After applying image augmentation to four different datasets created from the cropped images, the entire dataset was divided into 80% training and 20% validation. Images were classified using ResNet-18, a deep-learning architecture. Results: According to the validation set results, the accuracy values for T2, T1, T1c, DAG-b0, DAG-b2000, and ADC sequences in dataset 1 for benign-malignant differentiation are 93.75, 91.07, 91.07, 91.07, 90.18, 91.84 and 90.91%, respectively. For dataset 2 targeting PA and warthin tumor differentiation, the accuracy values for all sequences are 87.95, 90.36, 86.75, 90.36, 83.and 95, 86.75%, respectively. The accuracy values for all sequences in dataset 3, which was created for malignant tumor and warthin tumor discrimination, are 93.46, 95.37, 90.74, 93.52, 91.and 58, 85.85%, respectively. In the classification of all groups in dataset 4, xi the accuracy values for all sequences are 86.67, 81.21, 83.64, 84.85, 80.and 95, 84.05%, respectively. Conclusion: Deep learning architectures show high success in the differential diagnosis of parotid gland tumors, which remains challenging today. It not only distinguishes between benign and malignant groups but also classifies different subtypes with high success. With these successful results, deep learning is promising to be a part of personalized diagnosis processes.
Benzer Tezler
- Parotis bezi tümörlerinin ayırıcı tanısında multiparametrik manyetik rezonans görüntüleme kullanılarak geliştirilen derin öğrenme modeli
Deep learning model developed using multiparametric magnetic resonance imaging in the differential diagnosis of parotid gland tumors
EMRAH GÜNDÜZ
Tıpta Uzmanlık
Türkçe
2021
Kulak Burun ve Boğazİnönü ÜniversitesiKulak Burun Boğaz Hastalıkları Ana Bilim Dalı
PROF. DR. AHMET KIZILAY
- Parotis bezi tümörlerinin ayırıcı tanısında apparent diffusion coefficient (Adc) değerlerinin yeri
The role of the apparent diffusion coefficient (Adc) values in the differential diagnosis of the parotid gland tumors
SİBEL AYDIN AKSU
Tıpta Uzmanlık
Türkçe
2009
Radyoloji ve Nükleer TıpSağlık BakanlığıRadyoloji Ana Bilim Dalı
PROF. DR. ERCAN İNCİ
- Cerrahi tedavi uygulanan parotis gland kitlelerinde preoperatif olarak yapılan ince iğne aspirasyon biyopsisi ve radyolojik yöntemlerin tanısal değerlerinin incelenmesi
The diagnostic value of the fine needle aspiration biopsy (fnab) and radiologic methods used in the evaluation of surgically treated parotid gland masses.
BEKİR DOĞAN
Tıpta Uzmanlık
Türkçe
2017
Kulak Burun ve BoğazÇanakkale Onsekiz Mart ÜniversitesiKulak Burun Boğaz Ana Bilim Dalı
DOÇ. DR. OĞUZ GÜÇLÜ
- Parotis bezi kitlelerinin ayırıcı tanısında dinamik bilgisayarlı tomografi ve dinamik manyetik rezonans görüntülemenin yeri
Başlık çevirisi yok
AHMET ÇELİK
Tıpta Uzmanlık
Türkçe
2003
Radyoloji ve Nükleer TıpEskişehir Osmangazi ÜniversitesiRadyoloji Ana Bilim Dalı
DOÇ. DR. BAKİ ADAPINAR
- Parotis bezi kitlelerinde ultrasonografi ve bilgisayarlı tomografinin tanı değerlerinin karşılaştırılması
Comparison of the diagnosis of ultrasonography and computerized tomography in parotis gland masses
LALE PAŞAOĞLU
Tıpta Uzmanlık
Türkçe
1997
Radyoloji ve Nükleer TıpSağlık BakanlığıRadyoloji Ana Bilim Dalı
UZMAN ALAATTİN CANAT