Bilgisayarlı tomografi görüntülerinden osteopeni ve osteoporoz tanısının radiomics ve makine öğrenmesi yöntemleri ile öngörülmesi
Başlık çevirisi mevcut değil.
- Tez No: 910179
- Danışmanlar: PROF. DR. NURDAN ÇAY
- Tez Türü: Tıpta Uzmanlık
- Konular: Radyoloji ve Nükleer Tıp, Radiology and Nuclear Medicine
- Anahtar Kelimeler: Bilgisayarlı Tomografi, Dual X-Ray Absorbsiyometri, Kemik Mineral Yoğunluğu, Osteoporoz, Osteopeni, Radiomics, Makine Öğrenmesi, Computed Tomography, DXA, Radiomics, BMD, Osteoporosis, Machine Learning
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Sağlık Bilimleri Üniversitesi
- Enstitü: Ankara Bilkent Şehir Hastanesi
- Ana Bilim Dalı: Radyoloji Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 81
Özet
Amaç: Çalışmamızın amacı, oportünistik BT tetkikleri üzerinden radiomics ve makine öğrenmesi yöntemleri ile osteoporoz, osteopeni ve normal kemik mineral yoğunluğunun erken tanısını sağlamaktır. Gereç ve Yöntem: Şubat 2019- Eylül 2023 tarihlerini kapsayan süreçte, çalışmaya dahil edilme kriterlerini karşılayan 874 hasta retrospektif olarak değerlendirilmiştir. Hastaların kontrastlı-kontrastsız lomber vertebraları kapsayan abdomen ve lomber BT tetkikleri üzerinden 3DSlicer programı ile otomatik segmentasyon işlemi yapılarak radiomics özellikler çıkarıldı. Makine öğrenmesi analizleri R programlama dili kullanılarak yapıldı. Osteopeni, osteoporoz ve normal KMY ayrımı için Lojistik Regresyon, Karar Tablosu, Random Forest, Çok Katmanlı Algılayıcı ve Bagging metodları kullanılarak veri seti 10 kat çapraz geçerlilik ile test edilmiştir. Performans kriterleri olarak F-ölçütü, doğru sınıflama oranı, ROC ve PRC alanı değerleri şeklinde verildi. Bulgular: Çalışmaya dahil edilen 874 hastanın lomber vertebralarından L1- L2- L3 ve L4'ün her biri için ayrı ayrı T-skorlarıyla karşılaştırılan radiomics özellikleri ve MÖ yöntemleriyle analizde, en iyi sonuçların L3 vertebrada görüldüğü dikkati çekti Buna göre normal KMYli olguların DSO değeri %83,5, F-ölçütü değeri %81,2 ROC alanı 0,927 ve PRC alanı değeri 0,892 ile en yüksek çok katmanlı algılayıcı ve Lojistik Regresyon metodunda görüldü. Osteoporozlu olguların sonuçları ise en iyi L2 vertebra düzeyinde Lojistik Regresyon metodu ile bulundu (DSO: %72,5, F-ölçütü: %72,5, ROC alanı: 0,897 ve PRC alanı: 0,797). Osteopenili olguların performans ölçütlerine bakıldığında ise Lojistik Regresyon metodu ile en yüksek sonuçların alındığı ve normal KMYli ve osteoporozlu olgularla karşılaştırıldığında sonuçların daha düşük olduğu görüldü. Sonuç: Osteoporoz gibi önemli ve yaygın bir hastalığın erken tanısı ve yönetiminde gelişen radiomics ve makine öğrenmesi modelleri güncelliğini korumaktadır. Oportünistik BT tetkikleri ile DEXA gibi ayrı bir görüntüleme yöntemine gerek kalmadan KMY değerlendirmesi yapılabilir. KMY'nin üç yönlü değerlendirmesinde en iyi sonuçların normal KMYli olgularda en zayıf sonuçların osteopenili olgularda görüldüğü anlaşıldı. Araştırmamız sonucunda beş farklı makine öğrenmesi metodu karşılaştırıldığında en iyi sonuçların lojistik regresyon ile alındığı görüldü. Literatürde L1- L2- L3 ve L4 vertebraların ayrı ayrı KMY değerlendirmesinin araştırıldığı ilk çalışma olması bakımından önemli sonuçlar elde ettik, buna göre L3 vertebranın mutlaka KMY değerlendirmesinde olması gerekir iken L1 vertebranın en son sırada tercih edilmesi daha doğru olacaktır. Ancak, çalışmamızın daha geniş hasta popülasyonu ve farklı MÖ metodları ile tekrarlanması ve doğrulanması gerekmektedir.
Özet (Çeviri)
Objective: The aim of this study is to provide early diagnosis of osteoporosis, osteopenia, and normal bone mineral density on opportunistic CT scans utilizing machine learning and radiomics techniques. Materials and Methods: Retrospective evaluation was conducted on 874 individuals who matched the inclusion criteria between February 2019 and September 2023. By using the 3DSlicer tool to perform automatic segmentation, radiomic characteristics from the patients' lumbar and abdominal CT scans, including the lumbar vertebra with and without contrast, were retrieved. The R programming language was used to carry out machine learning analyses. Logistic regression, decision tables, random forests, multi-layer perceptron, and bagging techniques were applied to discriminate osteopenia, osteoporosis and normal BMD and the data set was tested with 10-fold cross validity. Performance criteria were given as F-score, correct classification rate, ROC and PRC area values. Results: In the analysis with radiomics features and ML methods compared with T-scores for each of the lumbar vertebrae L1, L2, L3 and L4 of 874 patients included in the study, it was notable that the best results were seen in the L3 vertebra. Accordingly, the multi-layer perceptron and Logistic Regression methods showed the greatest DSO value 83.5%, F-score value 81.2%, ROC area value 0.927, and PRC area value 0.892 in cases with normal BMD. At the L2 vertebral level, the Logistic Regression approach produced the greatest results for patients with osteoporosis (DSO: 72.5%, F-score: 72.5%, ROC area: 0.897, and PRC area: 0.797). When the performance criteria of osteopenia patients were analysed, it was observed that the Logistic Regression approach yielded the highest results. In comparison, the results were lower for patients with osteoporosis and normal BMD. Conclusion: Developing radiomics and machine learning models remain up-to-date in the early diagnosis and management of an important and common disease such as osteoporosis. BMD assessment can be carried out using opportunistic CT exams without the use of an additional imaging technique like DEXA. In the three-way evaluation of BMD, it was understood that the best results were seen in patients with normal BMD and the poorest results were seen in patients with osteopenia. When five different machine learning methods were examined, the best results were obtained with logistic regression. Being the first study in the literature to examine the separate BMD evaluation of L1, L2, L3, and L4 vertebra, we were able to obtain important results, accordingly, L3 vertebra should definitely be included in the BMD evaluation, while L1 vertebra should be preferred last. However, our study needs to be repeated and validated with a larger patient population and different ML methods.
Benzer Tezler
- Osteoporozun çene kemiklerindeki etkilerinin konik ışınlı bilgisayarlı tomografi ve dual enerji x-ışın absorbsiyometri yöntemiyle değerlendirilmesi
Evaluation of the effects of osteoporosis on jaw bones with cone beam computed tomography and dual energy x-ray absorptiometry method
ENES GÜNGÖR
Doktora
Türkçe
2013
Diş HekimliğiSüleyman Demirel ÜniversitesiAğız, Diş ve Çene Radyolojisi Ana Bilim Dalı
YRD. DOÇ. DR. DERYA YILDIRIM
- Klivusa ait BT tabanlı radiomics özelliklerinden makine öğrenme algoritmaları kullanılarak elde edilen modellerin osteoporoz tanısındaki yeri
Role of models obtained from ct-based radiomics features and machine learning algorithms of clivus in the diagnosis of osteoporosis
CANDAN GÜNGÖR
Tıpta Uzmanlık
Türkçe
2022
Radyoloji ve Nükleer TıpBalıkesir ÜniversitesiRadyoloji Ana Bilim Dalı
DR. ÖĞR. ÜYESİ EMRAH AKAY
- Yapay sinir ağları ve destek vektör makineleri ile kemik erimesinin teşhisi
Diagnosis of osteoporosis using artificial neural networks and support vector machines
MUSTAFA İSTANBULLU
Yüksek Lisans
Türkçe
2013
Biyomühendislikİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. SEDEF KENT
- Mezenkimal kök hücrelerin osteojenik farklılaşmasında çeşitli biyoreaktör performanslarının karşılaştırılması
Comparison of different bioreactor performances for osteogenic differentiation of mesenchymal stem cells
IŞIL GERÇEK BEŞKARDEŞ
Doktora
Türkçe
2014
Kimya MühendisliğiHacettepe ÜniversitesiKimya Mühendisliği Ana Bilim Dalı
PROF. DR. MENEMŞE GÜMÜŞDERELİOĞLU
- Bilgisayarlı tomografi görüntülerinden derin öğrenme ve makine öğrenmesi ile COVID-19 hastalığının teşhisi
Deep learning from computerized tomography imagesand diagnosis of COVID-19 with machine learning
GÖZDE KAHRAMAN
Yüksek Lisans
Türkçe
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÇankırı Karatekin ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ZAFER CİVELEK