Ön işleme tabanlı manyetik rezonans sekans karşılaştırmalı servikal lenf nodu segmentasyonu
Preprocessing based magnetic resonance sequence comparative cervical lymph node segmentation
- Tez No: 876482
- Danışmanlar: PROF. DR. METİN ÇELİKER
- Tez Türü: Tıpta Uzmanlık
- Konular: Kulak Burun ve Boğaz, Otorhinolaryngology (Ear-Nose-Throat)
- Anahtar Kelimeler: Servikal lenf nodu, manyetik rezonans görüntüleme, yapay zeka, derin öğrenme, segmentasyon, Cervical lymph node, magnetic resonance imaging, artificial intelligence, deep learning, segmentation
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Sağlık Bakanlığı
- Enstitü: Recep Tayyip Erdoğan Üniversitesi Eğitim ve Araştırma Hastanesi
- Ana Bilim Dalı: Kulak Burun Boğaz Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 70
Özet
Giriş: Boyunda şişlik yaygın görülen bir semptomdur. Boyunda şişlik bir enfeksiyona bağlı olabileceği gibi konjenital bir kitle veya malign bir hastalığın boyun metastazı olarak da karşımıza çıkabilir. Boyunda kitle nedeniyle tarafımıza başvuran hastalarda anamnez ve fizik muayene sonrasında tanı koymaya yönelik Ultrasonografi (USG), Manyetik Rezonans Görüntüleme (MRG) ve Bilgisayarlı Tomografi (BT) gibi görüntüleme yöntemlerine başvurulur. Görüntüleme yöntemleriyle; kitlenin yerleşim yeri yanında orijini, yayılımı ve natürü hakkında bilgi edinilir. Kesin tanı insizyonel, eksizyonel biyopsi yapılarak histopatolojik olarak konulur. Boyun anatomisi kompleks bir anatomik yapıdadır. Boyun, hayati sinirleri ve damarları içerir. Bu kompleks yapıda karşımıza çıkan kitlelerin görüntüleme yöntemleriyle değerlendirilebilmesi için radyoloji alanında bilgi ve tecrübe sahibi olmak gerekir. Bu çalışmamızda hastanın preoperatif dönemde çekilen MRG'ni yapay zeka tabanlı derin öğrenme yöntemleri ile işleyerek boyundaki kitleyi buradaki diğer yapılardan ayıran bir model tasarlayarak boyundaki lenf nodlarını segmente etmek amaçlandı. Böylece boyundaki patolojik olan ve olmayan lenf nodlarını boyundaki diğer yapılardan ayırt ederek, bu yapıların daha kolay bir şekilde tanınmasını sağlayarak lenf nodlarının değerlendirmesi kolaylaşacaktır. Gereç ve Yöntem: Hastanemiz Recep Tayyip Erdoğan Üniversitesi Tıp Fakültesi Eğitim ve Araştırma Hastanesinde Ocak 2019- Eylül 2023 tarihleri arasında çeşitli nedenlerle boyun diseksiyonu, servikal lenf nodu insizyonel veya eksizyonel biyopsi yapılmış ve ameliyat öncesi kontrastlı boyun MRG çekimi olan hastalar çalışmaya dahil edildi. 64 hastaya ait toplam 1346 MRG kesiti çalışmaya dahil edildi. Tüm hastaların 1.5 T MRG cihazından elde edilen görüntülerden kontrast öncesi T1, T2, DAG-b1000 (Difüzyon Ağırlıklı Görüntüleme), ADC (Görünür Difüzyon Katsayısı) ve kontrastlı T1(T1+C) ağırlıklı sekanslar kullanıldı. Görüntüler aksiyel kesitler halinde kaydedildi ve tüm görüntüler standart boyutta manuel olarak kırpıldı. Daha sonra oluşturulan ön işleme programı ile görüntüler otomatik olarak tekrar kırpıldı. Kırpılan görüntüleden augmentasyon yapılan ve augmentasyon yapılmayan olmak üzere 2 veri seti hazırlandı. Kırpılan görüntülerden oluşturulan veri seti; %90 eğitim, %10 doğrulama amaçlı test grubu olarak ikiye ayrıldı. Görüntüler ön işleme aşamalarının ardından DeepLabv3+ ağının kodlayıcı bloğunda nöronal network(çekirdek ağı) olarak ResNet-50 ağı kullanılarak segmente edildi. 5 farklı MRG sekansı karşılaştırıldı. Bulgular: Doğrulama seti sonuçlarına göre; servikal lenf nodu segmentasyonu için oluşturulan augmentasyon yapılmayan veri setinde bulunan DAG-b1000, T2, T1, T1+C, ADC sekansları için Ortalama IoU değeri sırasıyla 0,89- 0,88- 0,81- 0,85- 0,80 'tir. Augmentasyon yapılan veri setinde tüm sekanslar için Ortalama IoU değeri sırasıyla 0,91- 0,89- 0,85- 0,88- 0,84 'tir. Sonuç: Ön işleme tabanlı derin öğrenme mimarileri kullanılarak servikal lenf nodları yüksek doğrulukta segmente edilebildi. Çalışmamız, inceleyebildiğimiz kadarıyla literatürde boyun MRG sekansları kullanılarak servikal lenf nodu segmentasyonu yapılan ilk ve tek çalışmadır. Yapılan bu çalışma ile oluşturulan model, deneyimli bir radyoloji uzmanı kadar servikal lenf nodlarını yüksek doğrulukta segmente edebildi. Bu segmentasyon ile boyun MRG'de kısa sürede lenf nodlarını bir radyolog tarafından elle çizilmiş gibi çizebilen bir program elde edilmiştir. Bu çalışma servikal lenf nodları hakkında kısa sürede bilgiye erişmeyi mümkün hale getirecek, tanı ve tedavi sürecinin hızlanmasına katkı sağlayacaktır. Hasta sayısı ve histopatolojik tanı çeşitliliği arttırılarak yapılacak birçok çalışmanın temelini bu çalışmanın oluşturacağını ümit ediyoruz.
Özet (Çeviri)
Introduction: Neck swelling is a common symptom that can be attributed to various underlying conditions. It may arise from an infection, a congenital mass, or as a metastasis of a malignant disease to the neck. When patients present with a neck mass, diagnostic imaging methods such as Ultrasonography (USG), Magnetic Resonance Imaging (MRI), and Computed Tomography (CT) are employed to establish a diagnosis following medical history and physical examination. Through imaging methods, information is obtained not only about the location of the mass but also its origin, spread, and nature. A definitive diagnosis is made histopathologically by performing incisional or excisional biopsy. The anatomy of the neck is complex, housing vital nerves and blood vessels. Evaluating masses within this intricate structure requires expertise in radiology. In this study, we aimed to employ artificial intelligence-based deep learning methods to process preoperative MRI images of patients. Our goal was to design a model that distinguishes neck masses from surrounding structures by segmenting lymph nodes in the neck. This approach facilitates the differentiation of pathological from non-pathological lymph nodes, thereby enhancing the recognition of these structures and simplifying the evaluation process. Materials and Methods: Patients who underwent neck dissection or cervical lymph node incisional or excisional biopsy for various reasons at our hospital, Recep Tayyip Erdoğan University Faculty of Medicine Training and Research Hospital, between January 2019 and September 2023, and had preoperative contrast-enhanced neck MRI were included in the study. A total of 1346 MRI slices from 64 patients were included. Contrast-pre T1, T2, DWI-b1000, ADC, and contrast-enhanced T1 weighted sequences were utilized from images obtained from a 1.5 Tesla MRI machine for all patients. The images were recorded in axial sections and manually cropped to a standard size. Subsequently, an preprocessing program was created to automatically recrop the images. Two datasets were prepared from the cropped images: one without augmentation and one with augmentation. The cropped image dataset was divided into 90% training and 10% validation for testing purposes. Following preprocessing stages, the images were segmented using ResNet-50 neural network in the encoder block of the DeepLabv3+ network. Five different MRI sequences were compared. Results: According to the results from the validation set, the Average IoU values for DAG-b1000, T2, T1, T1+C, ADC sequences in the dataset without augmentation are respectively 0.89, 0.88, 0.81, 0.85, and 0.80. For the augmented dataset, the Average IoU values for all sequences are 0.91, 0.89, 0.85, 0.88, and 0.84, respectively. Conclusion: Cervical lymph nodes could be segmented with high accuracy using preprocessing-based deep learning architectures. To our knowledge, our study is the first and only one in the literature to perform segmentation of cervical lymph nodes using neck MRI sequences. The model developed in this study achieved segmentation of cervical lymph nodes with high accuracy comparable to that of an experienced radiologist. This segmentation enables the program to outline lymph nodes in neck MRIs as accurately and quickly as if done manually by a radiologist. Rapid access to information about cervical lymph nodes will expedite diagnosis and treatment processes. We anticipate that this study will serve as the foundation for many future studies by increasing the number of patients and diversity of histopathological diagnoses.
Benzer Tezler
- A deep learning model for susceptibility artifact correction in Echo Planar Imaging
Eko Planar Görüntülemede duyarlılık artefaktı düzeltme için derin öğrenme modeli
ABDALLAH GHAZI FAISAL ZAID ALKILANI
Yüksek Lisans
İngilizce
2022
Elektrik ve Elektronik Mühendisliğiİhsan Doğramacı Bilkent ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. EMİNE ÜLKÜ SARITAŞ ÇUKUR
DOÇ. TOLGA ÇUKUR
- Meme manyetik rezonans görüntülemede (MRG) lezyon tespiti, yalancı pozitif ve yalancı negatif bulguların azaltılmasına yönelik yazılım geliştirilmesi
Developing software for lesion detection, false positive and false negative evidence' reduction in breast magnetic resonance imaging
SEVDA GÜL
Doktora
Türkçe
2021
Elektrik ve Elektronik MühendisliğiSakarya ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. GÖKÇEN ÇETİNEL
- Convolutional neural network based brain MRI segmentation
Evrişimli sinir ağları tabanlı beyin MRI bölütlemesi
BORA BAYDAR
Yüksek Lisans
İngilizce
2018
Elektrik ve Elektronik MühendisliğiOrta Doğu Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. GÖZDE AKAR
- MR görüntüleri ve MR spektroskopi verileri ile yapay öğrenme tabanlı beyin tümörü tespit yöntemi ve uygulaması
Design and application of novel methods for brain tumor detection using machine learning approaches on MR images and MR spectroscopy data
EMRE DANDIL
Doktora
Türkçe
2015
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar ve Bilişim Mühendisliği Ana Bilim Dalı
DOÇ. DR. MURAT ÇAKIROĞLU
- Beyin tümörlerinin ileri görüntü işleme ve örüntü tanıma teknikleri kullanılarak bilgisayar destekli tespiti
Computer-aided detection of brain tumors using advanced image processing and pattern recognition techniques
SEDA KAZDAL
Yüksek Lisans
Türkçe
2013
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMarmara ÜniversitesiElektronik-Bilgisayar Eğitimi Ana Bilim Dalı
YRD. DOÇ. DR. BUKET DOĞAN
PROF. DR. ALİ YILMAZ ÇAMURCU