Pediyatrik posterior fossa tümörlerinin makine öğrenimi, derin öğrenme ve mrg bulguları ile sınıflandırılması
Classification of pediatric posterior fossa tumors using machine learning, deep learning and mri findings
- Tez No: 864437
- Danışmanlar: DOÇ. DR. ZEHRA FİLİZ KARAMAN
- Tez Türü: Tıpta Uzmanlık
- Konular: Radyoloji ve Nükleer Tıp, Radiology and Nuclear Medicine
- Anahtar Kelimeler: derin öğrenme, makine öğrenimi, manyetik rezonans görüntüleme, pediatri, posterior fossa tümörleri, radyomik, yapay zeka, artificial intelligence, deep learning, machine learning, magnetic resonance imaging, pediatrics, radiomics
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Erciyes Üniversitesi
- Enstitü: Tıp Fakültesi
- Ana Bilim Dalı: Radyoloji Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Amaç: Bu çalışma, pediyatrik yaş grubunda posterior fossa yerleşimli pilositik astrositom, medulloblastom, ependimom ve diffüz orta hat gliomlarının doğru teşhisi için manyetik rezonans görüntüleme (MRG) verilerinin makine öğrenimi ve derin öğrenme algoritmalarıyla işlenmesini ve tümör sınıflandırmasındaki rolünün değerlendirilmesini amaçlamaktadır. Gereç ve Yöntem: Erciyes Üniversitesi Tıp Fakültesi'nde 2013-2023 yılları arasında patolojik olarak posterior fossa yerleşimli pilositik astrositom, medulloblastom, ependimom ve diffüz orta hat gliom tanısı alan pediyatrik hastaların preoperatif MRG görüntüleri retrospektif olarak incelendi. Tümör sınırları, T1A, kontrastlı T1A, T2A, FLAIR, DWI ve ADC sekanslarında lezyonun en büyük olduğu kesitte Region of Interest ile manuel olarak çizildi. Random forest, decision tree ve gradient boosting sınıflandırıcılarının bir kombinasyonu makine öğrenimi için kullanıldı. Derin öğrenme mimarisi için ResNet101V2 temel model olarak belirlendi ve nihai sınıflandırmada softmax aktivasyonu ile yoğun bir katman kullanıldı. Bulgular: Çalışmaya belirlenen kriterlere uyan 63 hasta dahil edildi. MRG verilerinde diffüz orta hat gliomu için T2 Tümör, pilositik astrositom için T2 Ratio, medulloblastom için ADC Ratio ve DWI Ratio değişkenleri, diğer tümör tiplerine göre farklı dağılımlar sergiledi. Makine öğrenimi modellerinin eğitiminde en önemli değişkenler ADC Tümör, DWI Ratio ve T2 Ratio idi. Bu değişkenlerle oluşturulan random forest ve gradient boosting ensemble makine öğrenimi modeli, medulloblastomu %100, pilositik astrositomu ise %89 sensitivite ile ayırt edebildi. Model, %78 doğruluk ve %75 F1-ağırlıklı skor ile en başarılı performansı gösterdi. Derin öğrenme mimarisi T1 sekansında %98, kontrastlı T1 sekansında ise %96 doğruluk ile en başarılı performansı sergiledi. Sonuç: Bu çalışma, pediyatrik posterior fossa tümörlerinin MRG verilerinin işlenmesinde T2A, DWI ve ADC'nin belirgin bir etkisi olduğunu ve ensemble modellerinin kullanılmasının makine öğrenimi modellerinin ayırt etme performansını artırdığını göstermektedir. Ayrıca, T1A ve T1CE sekansları kullanılarak oluşturulan derin öğrenme algoritmalarının diğer sekanslara ve makine öğrenimi modellerine kıyasla üstün performans gösterdiği tespit edilmiştir.
Özet (Çeviri)
Aim: To process magnetic resonance imaging (MRI) data with machine learning (ML) and deep learning (DL) algorithms for accurate diagnosis of pilocytic astrocytoma (PA), medulloblastoma (MB), ependymoma, and diffuse midline glioma (DMG) in the posterior fossa in the pediatric age group and evaluate their role in tumor classification. Materials and Methods: A retrospective review was conducted on preoperative MRI images of pediatric patients diagnosed with these tumors between 2013 and 2023 at Erciyes University. The tumor borders were identified manually by Region of Interest on the largest slice on T1W, contrast-enhanced T1W (T1CE), T2W, FLAIR, DWI, and ADC sequences. The study employed a combination of machine learning models, including the Random forest (RF), decision tree, and gradient boosting machine (GBM). The DL architecture employed ResNet101V2 as the base model and a dense layer with softmax activation for the final classification into the four tumor types. Results: The study included 63 patients. The MRI data showed different distributions of T2 tumor for DMG, T2 ratio for PA, ADC ratio, and DWI ratio for MB. The most significant feature importances in training ML models were ADC Tumor, DWI Ratio, and T2 Ratio. The RF and GBM ensemble ML model could discriminate MB with 100% sensitivity and PA with 89% sensitivity. The ensemble ML model performed best with 78% accuracy and 75% F1-weighted score. The DL architecture performed best with 98% accuracy in the T1W sequence and 96% accuracy in the T1CE sequence. Conclusion: This study shows that T2W, DWI, and ADC sequences significantly impact the processing of MRI data of these tumors and that the use of ensemble models improves the discrimination performance of ML models. DL algorithms using T1W and T1CE sequences were found to perform better than others and ML models.
Benzer Tezler
- Gelişim nörolojisi polikliniğine başvuran nöral tüp defektli olgularda prospektif bir inceleme
Başlık çevirisi yok
İLKBAHAR EMİNE GÜLTEKİN
Yüksek Lisans
Türkçe
1986
Çocuk Sağlığı ve Hastalıklarıİstanbul ÜniversitesiAile Sağlığı Ana Bilim Dalı
DOÇ. DR. SELÇUK APAK
- Boğazdan izole edilen coliform bakterilerin B- laktamaz enzim aktivitelerinin tesbit edilmesi ve B-laktamaz pozitif coliformların penisilinetkisinin inaktivasyonunun in vitro deneylerle gösterilmesi
The Detection of beta-lactamasa activity of coliform bacteria isolated from th roat cultures and slovving the inactivation of penicilin by this beta lactamase produced by this caliform organisms
GÜVEN URAZ
Doktora
Türkçe
1986
MikrobiyolojiGazi ÜniversitesiGenel Biyoloji Ana Bilim Dalı
DOÇ. DR. ERDOĞAN BERKMAN
- Akut lenfoblastik lösemide monoklonal antikorlarla fenotipik özelliklerin ve T-lenfotropik virus antikorlarının incelenmesi
Başlık çevirisi yok
HAYAT ERDEM
Yüksek Lisans
Türkçe
1987
OnkolojiHacettepe ÜniversitesiTemel Onkoloji Ana Bilim Dalı
DOÇ.DR. EMİN KANSU
- Kronik hastalığı olan çocukların hastalığa ve hastaneye yatmaya tepkileri
Başlık çevirisi yok
MEDİHA DOĞANAY
- 0-60 ay yaş grubu çocuklarda triseps deri kıvrım kalınlığı ölçülerek beslenme durumunun değerlendirilmesi
Başlık çevirisi yok
AHMET KARADUMAN
Tıpta Uzmanlık
Türkçe
1988
Beslenme ve DiyetetikErciyes ÜniversitesiÇocuk Sağlığı ve Hastalıkları Ana Bilim Dalı