Meme kitlelerinin ve aksiller lenf nodu durumunun değerlendirilmesinde çeşitli görüntüleme modalitelerinden yararlanan bir derin nöral ağ tasarımı
Design of a deep neural network utilizing various imaging modalities for the assessment of breast masses and axillary lymph node status
- Tez No: 893731
- Danışmanlar: DR. ÖĞR. ÜYESİ AHMET OKTAY YİRMİBEŞOĞLU
- Tez Türü: Tıpta Uzmanlık
- Konular: Genel Cerrahi, General Surgery
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Kocaeli Üniversitesi
- Enstitü: Tıp Fakültesi
- Ana Bilim Dalı: Genel Cerrahi Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 84
Özet
Bu çalışma, Kocaeli Üniversitesi Tıp Fakültesi Genel Cerrahi Anabilim Dalı'nda 2013-2022 yılları arasında memenin malign veya benign hastalıkları nedeniyle opere edilen hastalar üzerinden gerçekleştirilen retrospektif bir analizdir. Çalışmanın amacı, fizik muayene, görüntüleme yöntemleri, biyopsi sonuçları, klinik veriler ve derin öğrenme tekniklerini bütünleştirerek meme kanseri tanısı, evrelendirmesi ve yönetimi için bir hibrid model geliştirmektir. Araştırmanın hipotezi, bu modelin çeşitli klinik verileri kullanarak etkili bir şekilde meme kanseri tanısı koyabileceği ve tedavi planlamasına katkı sağlayabileceğidir. Çalışma, 2013-2022 yılları arasında Kocaeli Üniversitesi'nde opere edilen 3441 hastadan, uygun görüntüleme ve klinik verilere sahip hastalar üzerinde gerçekleştirilmiştir. Klinik veri modeli için 288 hasta, MR için 542 hasta, mamografi için 708 hasta ve ultrasonografi için 741 hasta kullanılmıştır. Etik onay Kocaeli Üniversitesi tarafından verilmiştir. Derin öğrenme mimarileri olarak, Mask R-CNN ve Random Forest algoritmaları kullanılmıştır. Mask R-CNN, aksiller metastaz tespiti ve lezyon sınıflandırması için MR görüntülerinde kullanılırken, Random Forest klinik veriler üzerinden meme kanseri tespiti için kullanılmıştır. Veri setleri, etiketleme sürecinde sınırlayıcı kutu ile işaretlenmiş ve COCO metrikleri kullanılarak değerlendirilmiştir. Klinik veri modeli, %89,77 genel doğruluk oranı ile meme kanserini başarıyla tespit etmiştir. Bu modelin duyarlılığı %83,67 ve kesinliği %97,62 olarak ölçülmüştür. Görüntü tabanlı modellerde, MR için Mask R-CNN kullanılarak elde edilen COCO mAP@50 değeri 0,906, mamografi için 0,676 ve ultrasonografi için 0,777 olarak belirlenmiştir. Moleküler subtip tayini için geliştirilen model, MR görüntüleri üzerinden yürütülmüş ve COCO mAP@50 değeri 0,875 olarak elde edilmiştir. Bu sonuçlar, modelin yüksek doğrulukla hem lezyon sınıflandırması yapabildiğini hem de moleküler subtipleri ayırt edebildiğini göstermektedir. Geliştirilen derin öğrenme modelleri, klinik ve görüntüleme verilerinin entegrasyonu ile meme kanseri tanı, evrelendirme ve yönetimi süreçlerinde önemli iyileştirmeler sunmuştur. Modellerin yüksek doğruluk oranları ve ayrıntılı tespit kapasiteleri, klinik uygulamalarda kullanılmalarını mümkün kılmakta ve meme kanseri yönetiminde kişiselleştirilmiş tedavi yaklaşımlarının geliştirilmesine katkıda bulunmaktadır. Bu çalışma, derin öğrenme teknolojisinin sağlık alanında nasıl devrim yaratabileceğini göstermekte ve gelecekteki araştırmalar için bir temel oluşturmaktadır.
Özet (Çeviri)
This retrospective analysis was conducted on patients who underwent surgery for either malignant or benign breast conditions at the Department of General Surgery, Kocaeli University Faculty of Medicine, between 2013 and 2022. The study aims to develop a hybrid model that integrates physical examinations, imaging techniques, biopsy results, clinical data, and deep learning technologies for the diagnosis, staging, and management of breast cancer. The hypothesis posits that this model can effectively diagnose breast cancer using diverse clinical data and contribute to treatment planning. The study was performed on a subset of patients selected from 3441 cases operated during the mentioned period, using 288 patients for the clinical data model, 542 for MRI, 708 for mammography, and 741 for ultrasonography. Ethical approval was granted by Kocaeli University. Deep learning architectures employed include Mask R-CNN and Random Forest algorithms. Mask R-CNN was used for axillary metastasis detection and lesion classification in MRI scans, while Random Forest was utilized for breast cancer detection from clinical data. The datasets were annotated with bounding boxes and evaluated using COCO metrics. The clinical data model successfully detected breast cancer with an overall accuracy of 89.77%, a sensitivity of 83.67%, and a precision of 97.62%. Image-based models achieved COCO mAP@50 scores of 0.906 for MRI, 0.676 for mammography, and 0.777 for ultrasonography. Additionally, a model developed for molecular subtype determination using MRI data yielded a COCO mAP@50 score of 0.875, demonstrating high accuracy in lesion classification and molecular subtype differentiation. The integration of clinical and imaging data through developed deep learning models has significantly improved the processes of diagnosis, staging, and management of breast cancer. The high accuracy rates and detailed detection capabilities of the models make them viable for clinical application, contributing to the development of personalized treatment approaches in breast cancer management. This study illustrates the transformative potential of deep learning technology in healthcare and lays a foundation for future research.
Benzer Tezler
- Meme kitlelerinin benign ve malign ayırıcı tanısında nükleer tıp yöntemlerinin yeri
Başlık çevirisi yok
NURİ ARSLAN
- Palpabl ve nonpalpabl meme kitlelerinin araştırılmasında Tc 99m tetrofosmin sintimammografinin mammografi, ultrasonografi ve histopatoloji bulgularıyla karşılaştırmalı değeri
Başlık çevirisi yok
İNANÇ KARAPOLAT
Tıpta Uzmanlık
Türkçe
2004
Radyoloji ve Nükleer TıpEge ÜniversitesiNükleer Tıp Ana Bilim Dalı
YRD. DOÇ. DR. MURAT ARGON
- Malign meme kitlelerinin gri skala ultrasonografi, doppler ultrasonografi ve super-B mikrovasküler görüntüleme özelliklerinin aksiller metastaz ile ilişkisinin değerlendirilmesi
Prediction of axillary metastasis among gray scale ultrasonography, doppler sonography and superb microvascular imaging features of malign breast lesions
İCLAL NUR BULUT
Tıpta Uzmanlık
Türkçe
2022
Radyoloji ve Nükleer Tıpİstanbul Üniversitesi-CerrahpaşaRadyoloji Ana Bilim Dalı
DR. ÖĞR. ÜYESİ YASEMİN KAYADİBİ
- Meme kitlelerinin cerrahi planlamasında dijital kızılötesi termal görüntülemenin rolü: pilot çalışma
Role of digital infrared thermal imaging in surgery planning of breast masses : A pilot study
TALHA SARIGÖZ
Tıpta Uzmanlık
Türkçe
2016
Genel CerrahiSağlık BakanlığıGenel Cerrahi Ana Bilim Dalı
PROF. DR. TAMER ERTAN