Geri Dön

Automatic semantic segmentation of organs-at-risk and target tumor volume in radiotherapy planning CT images of nasopharyngeal cancer

Nazofarengeal kanser radyoterapi planlama BT görüntülerinde risk altındaki organların ve hedef tümör hacminin otomatik semantik segmentasyonu

PDF İndir

  1. Tez No: 908803
  2. Yazar: MURAT YÜCE
  3. Danışmanlar: ÖĞR. GÖR. SEDA NİLGÜN DUMLU, DOÇ. DR. SİNEM BURCU ERDOĞAN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Biyomühendislik, Bioengineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: İngilizce
  9. Üniversite: Acıbadem Mehmet Ali Aydınlar Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Biyomedikal Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 94

Özet

Amaç: Bu çalışmanın amacı, nazofarengeal karsinom (NK) hastalarının radyoterapi planlaması CT görüntülerinde hedef tümör dokuları için 3D U-Net, UNETR ve SwinUNETR mimarileri, risk altındaki organlar (RAO) için ise 3D U-Net mimarisi kullanarak otomatik segmentasyon yöntemlerini uygulamak ve otomatize bir iş akışı geliştirmektir. Ayrıca, özellik çıkarma stratejileri (Radyomiks ve DINOv2) kullanarak, hem manuel hem de otomatik segmentasyonlardan çıkarılan özelliklerin klinik özelliklerle birleştirilerek 5 yıllık Hastalıksız Sağkalım (HS) üzerindeki tahmini performanslarını değerlendirmeyi amaçladık. Materyal ve Metotlar: 2009 ve 2021 yılları arasında İstanbul Acıbadem Maslak Hastanesi'nde radyoterapi alan 120 nazofarenks kanseri hastasına ait kontrastlı ve kontrastsız bilgisayarlı tomografi (BT) görüntüleri toplandı. Risk Altındaki Organların segmentasyon görevi için 120 BT serisi dahil edildi ve yalnızca 3D-UNET mimarisiyle modeller geliştirildi; NK segmentasyon görevi için ise yalnızca kontrastlı seriler (toplamda 77) dahil edildi ve UNETR, SwinUNETR görüş dönüştürücüsü (vision transformer) tabanlı modeller ile 3D-UNET mimarisinde modeller geliştirildi. BT serileri, eğitimden önce aynı voksel boyutlarına örneklendi ve normalize edildi. Modeller, 5 kat çapraz doğrulama yöntemi kullanılarak eğitildi ve performans Dice (DSC), Hassasiyet, Duyarlılık, Doğruluk ve F1 değerleri kullanılarak ölçüldü. 5 yıllık hastalıksız sağ kalım (HS) tahmini için özellik çıkarma işlemi, kontrastlı 75 BT hacminden 2D dilimler kullanılarak gerçekleştirildi.“pyradiomics”Python kütüphanesi kullanılarak 1059 farklı radyomik özellik ve DINOv2-küçük modeli kullanılarak 386 DINOv2 özelliği çıkarıldı. Cinsiyet, tanı anındaki yaş ve NK evresi gibi klinik özellikler de HS tahmin analizine dahil edildi. Özellik seçimi için eğitimden önce Lasso kullanıldı. Manuel segmentasyonlardan çıkarılan özelliklerle eğitilen makine öğrenimi modelleri kullanılarak, hem manuel hem de otomatik segmentasyonlardan çıkarılan özellikler üzerinde tahminlerde bulunuldu. Tahmin sonuçları istatistiksel olarak birbirleriyle karşılaştırıldı. Bulgular: RAO segmentasyon görevi için geliştirilen modellerde 0.81 (standart sapma=0.11) düzeyinde DSC skoru elde edildi. En düşük DSC skoru optik kiazmada (0.47) elde edilirken, en yüksek DSC skoru beyinde (0.99) elde edildi. NK x segmentasyonu için geliştirilen modeller arasında, en yüksek DSC skoru 0.64 ile SwinUNETR mimarisi ile elde edildi. DFS tahmini için, Lasso ile özellik seçimi yapıldı ve Radyomiks ile Klinik özellik kombinasyon setinden 48 özellik ve DINOv2 ile Klinik özellik kombinasyon setinden 77 özellik seçildi. Geliştirilen makine öğrenimi modelleri arasında, en iyi performanslar Radyomiks ile Klinik özellik kombinasyon setinde KNN modeli kullanılarak (F1=0.57), DINOv2 ile Klinik özellik kombinasyon seti ile lojistik regresyon modeli kullanılarak elde edilen en iyi performans (F1=0.58) ile elde edildi. Manuel ve otomatik segmentasyonlardan çıkarılan özelliklere dayanan eğitimli modellerin tahmin performansları arasında anlamlı bir fark bulunmadı (p>0.05). Sonuç: Çalışmamız, nazofarengeal kanser (NK) için radyoterapi planlamasında U-Net, UNETR ve SwinUNETR gibi son teknoloji derin öğrenme mimarilerinin etkinliğini sergilemektedir. Kontrastlı BT görüntüleri kullanılarak tümörleri segmente etmede görü dönüştürücü yapılarının üstünlüğünü ve veri setindeki sınırlılıklara rağmen, çalışma model performansı üzerinde veri kalitesinin önemini geliştirilen modellerin doğruluğu ve genelleştirilebilirliği üzerinden vurgulamaktayız. Ayrıca, her ne kadar mevcut verilerle elde edilen sonuçlar doğrudan klinik uygulamalar için yeterli olmasada, radyomiks veya DINOv2 özelliklerinin klinik verilerle birleştirilerek NK hastalarının radyoterapi sonrası 5 yıllık sağ kalımlarının tahmin edilmesi hasta düzeyinde özelleştirilmiş onkolojik tedavi yöntemlerinin geliştirilebilmesi adına umut verici bir yol göstermektedir. Çalışmamızın yeni ve çarpıcı sonuçlarından biri olarak, manuel segmentasyonların her zaman daha üstün bir özellik çıkarma temeli sunduğu varsayımı sorgulanmış ve gelişmiş bir otomatik segmentasyon tekniği ile yapılan segmentasyonlardan çıkarılan özelliklerin benzer öngörü performansına ulaşabileceği gösterilmiştir. Genel olarak, araştırmamız, NK için radyoterapi planlamasını ve prognostik modellemeyi geliştirme konusunda derin öğrenme ve radyomiks özellikler ile klinik özelliklerin entegrasyonunun potansiyel uygulama alanlarını vurgulamakta ve kişiselleştirilmiş tıp yöntemlerine katkı sunmaktadır.

Özet (Çeviri)

Aim: The aim of this study is to develop automatic segmentation workflows for target tumor tissues in radiotherapy planning CT images of nasopharyngeal carcinoma (NPC) patients using U-Net, UNETR, and SwinUNETR models, and for organs-atrisk (OAR) using U-Net models. Furthermore, by employing feature extraction strategies (Radiomics and DINOv2), the study evaluates the predictive performances of extracted features both from manual and automated segmentations in combination with clinical features on 5-year Disease-Free Survival (DFS). Materials and Methods: Enhanced and non-enhanced CT images from 120 NPC patients who received radiotherapy at Istanbul Acıbadem Maslak Hospital between 2009 and 2021collected. For OAR segmentation task all of the 120 CT series included and only models with 3D-UNET architecture developed, and for NPC segmentation task only the enhanced series (77 in total) included and UNETR, SwinUNETR vision transformer based models also developed alongside with 3DUNET. CT series were resampled into same voxel dimensions and normalized before training. Models were trained using a 5-fold cross-validation method, with performance measured using Dice (DSC), Precision, Recall, Accuracy, and F1 values. Feature extraction utilized 2D slices from contrast-enhanced 75 CT volumes. A sum of 1059 distinct radiomic features using the“pyradiomics”Python library and 386 DINOv2 features using the DINOv2-small model extracted. Clinical features such as gender, age at diagnosis, and NPC stage were also included in the DFS prediction analysis. Lasso used for feature selection before training prediction models. Machine learning models trained with extracted featured from manual segmentations and predictions made both on features extracted from manual and automated segmentations. Prediction results compared to each other statistically. Results: The models developed for the OAR task exhibited an average DSC score of 0.81 (std=0.11). The lowest DSC score was achieved in the optic chiasm (0.47), while the highest DSC score was obtained in the brain (0.99). Among the models developed for NPC segmentation, the highest DSC score of 0.64 was achieved with the SwinUNETR architecture. For DFS prediction, feature selection with Lasso resulted in the selection of 48 features from the combination of radiomics and clinical viii feature set and 77 feature from the combination of DINOv2 and clinical feature set. mong the developed machine learning models, the best performance (F1=0.57) was achieved using the K-Nearest Neighbors model with combination of radiomics and clinical feature set, while the best performance (F1=0.58) was achieved using the Logistic Regression model with combination of DINOv2 and clinical feature set. There was no significant difference in the prediction performances of the trained models based on features extracted from manual and automatic segmentations (p>0.05). Conclusion: Our study showcases the efficacy of cutting-edge deep learning architectures like U-Net, UNETR, and SwinUNETR in radiotherapy planning for nasopharyngeal cancer (NPC). It highlights the superiority of vision transformers in segmenting tumors using contrast-enhanced CT images, as evidenced by higher DSC scores. Despite having some limitations in the dataset, the study emphasizes the importance of data quality on the model performance in terms of accuracy and generalizability. Additionally, combining radiomics or DINOv2 features with clinical data to predict NPC outcomes suggests a promising avenue in precision oncology by enabling more tailored therapeutic approaches, improving prognosis estimation, and optimizing treatment protocols. As one of the novel and striking results of our study, this finding challenges the conventional assumption that manual segmentations invariably offer a superior basis for feature extraction, suggesting that features extracted from the segmentations of an advanced automatic segmentation technique can achieve comparable predictive performance. Overall, our research underscores the transformative potential of advanced deep learning and integration of radiomics and clinical features in refining radiotherapy planning and prognostic modeling for NPC, contributing to the broader goal of personalized medicine and potentially improving treatment outcomes and quality of life for patients.

Benzer Tezler

  1. Tez No

    694216

    Fully supervised and semi-supervised semantic segmentation of cardiac mr using deep learning

    Tam denetımlı ve yarı denetımlı semantık segmentasyon derın öğrenmeyı kullanan kardıyak mr'nın

    MAHYAR BOLHASSANI

    Yüksek Lisans

    İngilizce

    İngilizce

    2021

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    ASST. ASSOC. DR. İLKAY ÖKSÜZ

  2. Tez No

    694656

    Segmentation of satellite sar images using squeeze and attention based deep networks

    Uydu-bazlı sar imgelerınde kısık dıkkat odaklı derin ögrenme kullanan segmentasyon algoritması

    ELMIRA KHAJEI

    Yüksek Lisans

    İngilizce

    İngilizce

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİhsan Doğramacı Bilkent Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. İBRAHİM KÖRPEOĞLU

  3. Tez No

    823271

    Derin öğrenme metotları kullanılarak farklı sosyal statüye sahip yapısal alanlarda binaların semantik segmentasyonu: İstanbul örneği

    Semantic segmentation of buildings in structural areas with different social statuses using deep learning methods: Istanbul example

    BURCU AMİRGAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Jeodezi ve FotogrametriKocaeli Üniversitesi

    Jeodezi ve Jeoinformasyon Mühendisliği Ana Bilim Dalı

    PROF. DR. ARZU ERENER

  4. Tez No

    667438

    Segmentation of diseased apple tree leaves using convolutional neural network

    Konvolutional nöral ağ kullanarak hasta elma ağağı yapraklarinin segmentasyon

    ALI AL-MASHHADANI

    Yüksek Lisans

    İngilizce

    İngilizce

    2020

    Elektrik ve Elektronik MühendisliğiAtılım Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ HAKAN TORA

  5. Tez No

    784802

    Beyaz cevher hiperintensitelerinin derin öğrenme teknikleri kullanılarak beyin manyetik rezonans görüntülerinden otomatik tespiti

    Automatic detection of white matter hyperintensities using deep learning techniques on brain magnetic resonance images

    GÖKHAN UÇAR

    Doktora

    Türkçe

    Türkçe

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBilecik Şeyh Edebali Üniversitesi

    Elektronik ve Bilgisayar Eğitimi Ana Bilim Dalı

    DOÇ. DR. EMRE DANDIL

Geri Dön