Yapay zekâ algoritmaları ile ameliyat sırasındaki mikroskop görüntüleri üzerinden derin öğrenme tekniği ile pediatrik posterior fossa (arka çukur) tümör tanımlama yapılması
Pediatric posterior fossa tumor identification using artificial intelligence algorithms and deep learning techniques on intraoperative microscopic images
- Tez No: 861337
- Danışmanlar: DOÇ. DR. MUSTAFA SAKAR
- Tez Türü: Tıpta Uzmanlık
- Konular: Nöroşirürji, Neurosurgery
- Anahtar Kelimeler: yapay zekâ, derin öğrenme, pediyatri, posterior fossa, medulloblastom, pilositik astrositom, ependimom, cerrahi mikroskop, artificial intelligence, deep learning, pediatrics, posterior fossa, medulloblastoma, pilocytic astrocytoma, ependymoma, surgical microscope
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Marmara Üniversitesi
- Enstitü: Tıp Fakültesi
- Ana Bilim Dalı: Beyin ve Sinir Cerrahisi Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 65
Özet
Amaç: Bu çalışmada; pediyatrik posterior fossa (arka çukur) tümörlerinin ameliyat sırasındaki mikroskop görüntüleri alınarak, yapay zekânın derin öğrenme yöntemleri kullanılarak tümörlerin tanınması amaçlanmıştır. Gereç ve Yöntem: Tarafımızca posterior fossa tümörü tanısı konulmuş hastalardan ameliyat sırasında kaydedilmiş görüntüleri alınacaktır. Bu veriler, hastanın ameliyat sırasında yapılan işlemlerin mikroskop tarafından kaydedilen, Marmara Üniversitesi Pendik Eğitim Araştırma Hastanesi'ndeki arşiv görüntülerinden oluşacaktır. Bu görüntüler yapay zekâ sinir ağı modelini eğitebilmek için farklı türde tümör dokularının bulunduğu görüntülerden oluşacaktır. Veri setlerinin bir kısmı ile öncelikle algoritmanın öğrenmesi sağlanacak, ardından diğer veri setleri ile algoritma test edilecektir. Tümör tespitinde başarılı sonuçlar elde edebilmek için her bir tümör tipi etiketine ait görüntü sayısının dağılımının dengeli bir biçimde yapılması sağlanacaktır. Görüntülerin Etiketlenmesi: Hastanın mikroskop görüntüleri, tarafımızca etiketlenecek ve makine öğrenmesi aşamasına hazır hale getirilecektir. Etiketler çocukluk çağında en sık görülen posterior fossa tümör tiplerini (medulloblastom, ependimom, pilositik astrositom) içermektedir. Makine öğrenmesi: Etiketlenen görüntüler kullanılarak model derin öğrenme algoritmaları ile eğitilecek ve doğruluk oranları gözlemlenecektir. Uzman değerlendirmesi ile karşılaştırma: Yapay zekâ algoritmamızın ortaya koyduğu tahmin sonuçları, uzman beyin cerrahi hekimlerinin birlikte değerlendirmesi ile ortaya konulan verilerle karşılaştırılacak ve doğruluk oranları ortaya konulmaya çalışılacaktır. Sonuç: Tek tek görüntüler ve geniş ekran üzerinden tümörün normal dokudan ayırt edilmesi ve sınırlarının çizilmesi; normal dokudan oldukça farklı fenotipteki en sık görülen pediyatrik posterior fossa tümörleri olan medulloblastom, ependimom ve pilositik astrositomda tecrübeli beyin cerrahi hekimleri tarafından rahatlıkla yapılabilmektedir. Ancak cerrahi stres altında, mikroskop loop görüşü alanında, tümörün normal dokudan ayrımını yapabilmek özellikle tecrübesiz bir göz için zorlayıcı olabilmektedir. İyi eğitilmiş bir yapa zekâ algoritmaları ile bu tümörlerin normal dokudan ayırt etmesi ve sınırlarının çizebilmesi yüksek hassasiyet ve özgünlükte yapılabilmektedir.
Özet (Çeviri)
Objective: This study aims to recognize pediatric posterior fossa (back of the skull) tumors during surgery by capturing microscopic images and employing deep learning techniques of artificial intelligence. Materials and Methods: We will collect intraoperative images from patients diagnosed with a posterior fossa tumor on our side. These data will consist of archived images from procedures recorded by the microscope at the Marmara University Pendik Training and Research Hospital. The images will encompass various tumor tissues to train the artificial neural network model. The algorithm will first learn from a subset of the dataset and then be tested on other datasets. To achieve successful tumor detection, the distribution of the number of images for each tumor type label will be balanced. Image Labeling: Microscopic images of patients will be labeled by our team, preparing them for the machine learning phase. The labels will include the most commonly encountered posterior fossa tumor types in childhood, such as medulloblastoma, ependymoma, and pilocytic astrocytoma. Machine Learning: Using the labeled images, the model will be trained with deep learning algorithms, and accuracy rates will be observed. Comparison with Expert Evaluation: The prediction results generated by our artificial intelligence algorithm will be compared with the data assessed collectively by expert Neurosurgeons, and accuracy rates will be attempted to be determined. Conclusion: Individually distinguishing and outlining tumors from normal tissue, both through individual images and on a wide screen, can be easily performed by experienced Neurosurgeons in the case of medulloblastoma, ependymoma, and pilocytic astrocytoma, which are the most commonly encountered pediatric posterior fossa tumors with a markedly distinct phenotype from normal tissue. However, under surgical stress, making the distinction between the tumor and normal tissue in the microscope loop view can be challenging, especially for an inexperienced eye. Well-trained artificial intelligence algorithms can achieve this differentiation and delineation of tumor boundaries with high sensitivity and specificity.
Benzer Tezler
- Yapay zeka derin öğrenme algoritmaları ile mr görüntüleri ve ameliyat sırasındaki mikroskop görüntüleri kullanılarak derin öğrenme tekniği ile tümör sınıflaması yapılması ve tümörün normal beyin dokusundan ayırt edilmesinin sağlanması
Başlık çevirisi yok
EFECAN ÇEKİÇ
Tıpta Uzmanlık
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMarmara ÜniversitesiBeyin ve Sinir Cerrahisi Ana Bilim Dalı
PROF. DR. ADNAN DAĞÇINAR
- Ortognatik tedavide ölçüm hatalarının azaltılmasında yeni bir yaklaşım
A new approach to reduce measurement errors in orthognathi̇c treatment
İSMAİL TAHA ÇÖMLEKCİLER
Doktora
Türkçe
2016
Elektrik ve Elektronik MühendisliğiSelçuk ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. SALİH GÜNEŞ
- Rektum kanserinde neoadjuvan tedaviye cevabın değerlendirilmesinde derin öğrenmenin yeri
The role of deep learning in the evaluation of the response toneoadjuvant chemoradiotherapy in rectal cancer
EDA CİNGÖZ
Tıpta Uzmanlık
Türkçe
2022
Radyoloji ve Nükleer Tıpİstanbul ÜniversitesiRadyoloji Ana Bilim Dalı
DOÇ. DR. MERVE GÜLBİZ DAĞOĞLU KARTAL
- Yapay zeka algoritmaları ile doğumsal hidronefrozda cerrahi gerektirecek olguları öngörme modeli oluşturma
Establishing a model for predicting the cases requiring surgery in congenital hydronephrosis with artificial intelligence algorithms
TEHRAN ABBASOV
Tıpta Uzmanlık
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolEskişehir Osmangazi ÜniversitesiÇocuk Cerrahisi Ana Bilim Dalı
PROF. DR. BARAN TOKAR
- Yapay zeka ve derin öğrenme teknolojileri ile kalça eklemi radyografilerinde femoral komponentin tanınması
Identifying femoral stems from pelvic x-ray with deep learning and artificial intelligence algorithm
AHMET METİN ÖZSEZEN
Tıpta Uzmanlık
Türkçe
2021
Ortopedi ve TravmatolojiSağlık Bilimleri ÜniversitesiOrtopedi ve Travmatoloji Ana Bilim Dalı
PROF. DR. CEMİL YILDIZ