Manyetik rezonans görüntülemeden elde edilen radyomiks parametrelerinin kafa tabanı osteomyeliti ve nazofarinks karsinomunu ayırt edebilme başarısının araştırılması
Validating the ability to differentiate skull base osteomyelitis and nasopharyngeal carcinoma using radiomics parameters obtained from magnetic resonance imaging
- Tez No: 849831
- Danışmanlar: DOÇ. DR. AYÇA KARAOSMANOĞLU
- Tez Türü: Tıpta Uzmanlık
- Konular: Radyoloji ve Nükleer Tıp, Radiology and Nuclear Medicine
- Anahtar Kelimeler: Manyetik rezonans görüntüleme, Tıbbi görüntüleme, Magnetic resonance imaging, Medical imaging
- Yıl: 2023
- Dil: Türkçe
- Üniversite: Hacettepe Üniversitesi
- Enstitü: Tıp Fakültesi
- Ana Bilim Dalı: Radyoloji Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Kafa tabanı osteomyeliti (KTO) nekrotizan eksternal otit spektrumunun en ciddi formunu temsil eden infeksiyöz bir durum olup kafa tabanı kemikleri ile paraklival ve parafaringeyal yumuşak dokularda geniş tutulum varlığında veya öncesinde bilinen ekternal otit kliniğinin yokluğunda nazofarinks karsinomu (NFKa) ile radyolojik olarak karışabilmektedir. Terapötik gelişmelere rağmen mortal seyredebilen KTO'nun erken tanısı ve hızlı tedavisi klinik sonuçları iyileştirebilir. Bu nedenle erken tanıda önemli bir araç olan görüntüleme yöntemlerinin tanısal başarısını artırmak için çeşitli yöntemler araştırılmaktadır. Bu çalışmadaki amacımız manyetik rezonans görüntülemeden (MRG) elde edilen radyomiks değişkenlerinin KTO'yu NFKa'dan ayırt etmedeki rolünü incelemektir. Üç farklı merkezden alınan toplam 93 hasta (50 NFKa ve 43 KTO) ~7:3 oranında eğitim (32 NFKa ve 31 KTO) ve dış doğrulama (18 NFKa ve 12 KTO) kohortlarına ayrılmıştır. Üç farklı sekansta (kontrast öncesi yağ baskısız T1-ağırlıklı, yağ baskılı T2-ağırlıklı ve kontrast sonrası yağ baskılı T1-ağırlıklı) lezyonların üç boyutlu segmentasyonu ile çıkarılan toplamda 2553 radyomiks özelliğinden, sınıf içi korelasyon katsayısı (ICC)<0.9 ve Least Absolute Shrinkage and Selection Operator (LASSO) regresyon analizi ile katsayısı sıfır olan özellikler elenmiştir. Geriye kalan 11 radyomiks özelliği ile lineer çekirdekli (kernel) Support Vector Machine (SVM) kullanılarak radyomiks modeli oluşturulmuştur. İncelenen semantik (konvansiyonel) MRG bulgularından iki grup arasında anlamlı farklılık bulunan (p<.05), eğitim setinde alt grup analizlerinde sıfır değeri bulunmayan ve tek değişkenli analizler sonucunda iki grup arasında anlamlı ilişki saptanan (p<.05) doku düzlemlerinde distorsiyon, lateral uzanım, kontrastlanma derecesi, dural kalınlaşma ve lenfadenopati değişkenleri ile semantik SVM modeli oluşturulmuştur. Ayrıca, kistik-nekrotik alanlar dışlanarak üç farklı ilgi bölgesi (ROI) belirlenmiş ve elde edilen ADC değerlerinin aritmetik ortalaması alınarak ADCortalama değerleri hesaplanmıştır. ADCortalama değerlerinin spinal kordun tüm aksiyel kesitini içine alan ROI'den elde edilen referans ADC değerlerine bölünmesi ile nADC değerleri elde edilmiştir. Bu parametrelerden eğitim kümesinde elde edilen optimal kestirim değerlerinin eğitim ve test veri kümelerindeki performanslarına bakılmıştır. Bunun yanında eğitim kümesindeki ADCortalama değerleri ile SVM sınıflayıcısı eğitilerek test kümesindeki performansı ayrıca değerlendirilmiştir. Oluşturulan SVM modellerinin tahmin performansları Reciever Operating Curve (ROC) eğrileri ve eğri altında kalan alan (AUC) değerleri ile incelenmiştir. Bağımsız test veri kümesinde radyomiks modeli 0.972 AUC değeri ile semantik model (AUC: 0.902) ve ADC modelini (AUC: 0.681) geride bırakmıştır. Eğitim kümesinde hesaplanan kestirim değerleri ADCortalama için 0.954 x 10-3 mm2/s ve nADC için 1.133 olup bu değerlerin sınıflandırma başarısı (AUC) eğitim kümesinde sırasıyla 0.849 ve 0.897; bağımsız test veri kümesinde sırasıyla 0.688 ve 0.705 olarak tespit edilmiştir. Sonuç olarak, radyomiks değişkenleri iki hastalığın ayırt edilmesinde iyi bir tanısal başarı göstermiştir. ADC parametreleri önerilen normalizasyon yöntemine karşın veri kümesine hassastır ve genellenebilir değildir. Ancak, her merkezin kendi kestirim değerlerini belirlemesi durumunda ADC değerleri iki hastalığın ayrılmasında önemli rol oynayabilir.
Özet (Çeviri)
Skull base osteomyelitis (SBO) is an infectious disease that represents the most severe form of the necrotizing external otitis spectrum. It can be confused radiologically with nasopharyngeal carcinoma (NPC) in cases with extensive skull base involvement including paraclival and parapharyngeal soft tissues or in the absence of a history of external otitis. Despite therapeutic advances, SBO can be fatal and early diagnosis and prompt treatment may improve clinical outcomes. Therefore, various strategies are being investigated to enhance the diagnostic accuracy of imaging tools, which are indispensable for early diagnosis. The aim of this study is to investigate the role of radiomics obtained from magnetic resonance imaging (MRI) in distinguishing SBO from NPC. A total of 93 patients (50 NPC and 43 SBO) from three different centers were divided into training (32 NPC and 31 SBO) and external validation (18 NPC and 12 SBO) cohorts in a ratio of approximately 7:3. Out of the 2553 radiomics features extracted through volumetric segmentation on three different series (pre-contrast T1-weighted, fat-suppressed T2-weighted, and post-contrast fat-suppressed T1-weighted), features with an intra-class correlation coefficient (ICC) <0.9 and features with zero coefficients determined by Least Absolute Shrinkage and Selection Operator (LASSO) regression analysis were eliminated. A radiomics model was established using remaining radiomics features with a linear kernel support vector machine (SVM). Among the semantic (conventional) MRI findings that were investigated, significant differences between the two groups (p < 0.05) were observed in tissue plane distortion, lateral extension, contrast enhancement, dural thickening, and lymphadenopathy. These variables exhibited no zero values in subgroup analyses within the training set and demonstrated significant associations between the two groups in univariate analyses (p < 0.05). A semantic Support Vector Machine (SVM) model was subsequently developed using these variables. Additionally, we computed ADCmean by avaraging three different ADC values obtained through the placement of separate regions of interest (ROIs) within the lesions, excluding cystic or necrotic areas. Normalized ADC (nADC) values were calculated by dividing the ADCmean values by the reference ADC values acquired from a region of interest (ROI) that covers the entire axial section of the spinal cord. The optimal cut-off values for these ADC parameters were established in the training dataset. The classification performance of these cut-off values was then assessed on both the training and external test datasets. We further trained a SVM classifier using the ADCmean values from the training set and independently evaluated its performance on the test set. The predictive performances of the SVM models were analyzed using Receiver Operating Curve (ROC) curves and Area Under the Curve (AUC) values. Notably, the radiomics model achieved a remarkable AUC value of 0.972 in the independent test dataset, outperforming both the semantic model (AUC: 0.902) and the ADC model (AUC: 0.681). The training set cut-offs were 0.954 x 10-3 mm2/s for ADC mean and 1.133 for nADC. Thus, the AUC values obtained according to these cut-off points were 0.849 and 0.897, in training set and 0.688 and 0.705, in independent test data set, respectively. In conclusion, the radiomic variables have demonstrated a solid diagnostic performance in discriminating the two conditions effectively. Although a normalization method was proposed, ADC parameters are sensitive to the dataset and are not generalizable. Nevertheless, if each center determines its own cut-off values, ADC values may play an important role in distinguishing between the two diseases.
Benzer Tezler
- Meme kanserli olgularda meme manyetik rezonans görüntülemesinden elde edilen radyomiks parametrelerinin neoadjuvan tedaviye yanıt açısından histopatolojik korelasyonu
Histopathologic correlation between breast mri–derived radiomic features and response to neoadjuvant therapy in patients with breast cancer
CENNET YANARDAĞ BİÇER
Tıpta Uzmanlık
Türkçe
2025
Radyoloji ve Nükleer TıpHacettepe ÜniversitesiRadyoloji Ana Bilim Dalı
PROF. DR. MELTEM GÜLSÜN AKPINAR
- Hipofraksiyone stereotaktik radyocerrahi ile tedavi edilmiş Uveal Melanom hastalarında tedavi öncesi Manyetik Rezonans Görüntüleme'den elde edilen radyomiks parametrelerinin lokal nüks ve metastaz gelişmesini öngörmedeki başarısının araştırılması
Investigation of the predictive value of radiomics parameters derived from pre-treatment MRI for local recurrence and metastasis development in patients with Uveal Melanoma treated with hypofractionated stereotactic radiosurgery
YUSUF BAYTAR
Tıpta Uzmanlık
Türkçe
2023
Radyasyon OnkolojisiHacettepe ÜniversitesiRadyoloji Ana Bilim Dalı
DOÇ. DR. ELİF GÜNAY BULUT
- Lokal ileri rektum kanserinin neoadjuvan KRT'ye vereceği yanıt yüksek rezolüsyonlu rektum MRG'nin kullanıldığı radyomiks ile öngörülebilir mi?
The role of radiomics using high-resolution rectal MRI in predicting the response to neoadjuvant treatment in local advanced rectal cancer
ALİ CANTÜRK
Tıpta Uzmanlık
Türkçe
2024
Radyoloji ve Nükleer TıpDokuz Eylül ÜniversitesiRadyoloji Ana Bilim Dalı
PROF. DR. FUNDA BARLIK
- Histogram analizi kullanılarak böbrek solid kitlelerinin ayırıcı tanısının yapılması
Application of histogram analysis in the differential diagnosis of renal solid lesions
YUSUF DENER
Tıpta Uzmanlık
Türkçe
2025
Radyoloji ve Nükleer TıpFırat ÜniversitesiRadyoloji Ana Bilim Dalı
PROF. DR. MUSTAFA KOÇ
- Nazofarenks karsinomu olgularında manyetik rezonans görüntülerinin radyomiks analizi
Radiomics analysis of magnetic resonance imaging in case of nasopharyngeal carcinoma
ORKUN CIVAN
Tıpta Uzmanlık
Türkçe
2022
Radyoloji ve Nükleer Tıpİstanbul Üniversitesi-CerrahpaşaRadyoloji Ana Bilim Dalı
PROF. DR. OSMAN KIZILKILIÇ