Sakroiliak eklemin inflamatuvar ve dejeneratif hastalıklarında manyetik rezonans radiomiks analizi
Magnetic resonance imaging radiomics analysis in inflammatory and degenerative diseases of the sacroiliac joint
- Tez No: 910673
- Danışmanlar: PROF. DR. ERCAN İNCİ
- Tez Türü: Tıpta Uzmanlık
- Konular: Radyoloji ve Nükleer Tıp, Radiology and Nuclear Medicine
- Anahtar Kelimeler: Makine Öğrenmesi, Ankilozan spondilit, Manyetik Rezonans, Radiomiks, Machine Learning, Ankylosing spondylitis, Magnetic Resonance, Radiomics
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Sağlık Bilimleri Üniversitesi
- Enstitü: İstanbul Bakırköy Dr. Sadi Konuk Eğitim ve Araştırma Hastanesi
- Ana Bilim Dalı: Radyoloji Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 65
Özet
Amaç: Bu çalışmamızda sakroiliak eklemin inflamatuar ve dejeneratif hastalıkların ayrımında makine öğrenmesi destekli radyomiks analizinin etkinliğinin araştırılması amaçlanmıştır. Yöntem ve Gereçler : T.C. Sağlık Bakanlığı Sağlık Bilimleri Üniversitesi Bakırköy Dr. Sadi Konuk Eğitim ve Araştırma Hastanesi Radyoloji Kliniği'nde Ocak 2023 ve Haziran 2024 tarihleri arasında bel veya kalça ağrısı sebepli kontrastsız sakroiliak eklem MR görüntülemesi yapılan hastalar tarandı. Bu kriterlere uygun 95 hastadan 150 sakroiliak eklem için görüntüler elde edildi. 95 hasta ankilozan spondilit grubu, dejeneratif grup ve kontrol grubu olmak üzere 3 gruba ayrıldı. Bu görüntüler 3D Slicer programında segmente edildi ve segmente edilen alanlarda PyRadiomics kullanılarak radiomics verileri çıkarıldı. Toplam 93 radiomiks verisinden istatistiksel çalışmalar yapılarak aralarında istatistiksel olarak anlamlı farklılık bulunan 14 özellik seçildi. Bu 14 özellik ile MatLab programında PCA işlevli ve işlevsiz 64 adet model oluşturuldu. Her bir grup diğer gruplarla ve her grup birlikte makine öğrenmesi kullanılarak karşılaştırıldı. Bulgular: Ankilozan spondilit ve kontrol grubu karşılaştırmasında Logistic Regression bazlı makine öğrenmesi algoritması %96 doğruluk oranı ile en başarılı model oldu. Ankilozan Spondilit ve Dejeneratif grubu karşılaştırmasında KNN bazlı makine öğrenmesi algoritması %83 doğruluk oranı ile en başarı model oldu. Dejeneratif Grup ile Kontrol Grubunun karşılaştırmasında Neural Network bazlı makine öğrenmesi algoritması %96 doğruluk oranı ile en başarılı model oldu. Ankilozan Spondilit ile diğer grupların karşılaştırmasında ise Neural Network bazlı makine öğrenmesi algoritması %93 doğruluk oranı ile en başarılı model idi. Sonuç: Makine öğrenmesi destekli radiomiks analizi sakroiliak eklemin inflamatuar hastalıklarının dejeneratif hastalıklardan ayrımında yüksek doğruluk oranı ile etkinliğini göstermiştir.
Özet (Çeviri)
Objective: This study aims to investigate the effectiveness of machine learning-assisted radiomics analysis in distinguishing inflammatory and degenerative diseases of the sacroiliac joint. Materials and Methods: Patients who underwent non-contrast sacroiliac joint MRI due to back or hip pain at the Radiology Department of Bakırköy Dr. Sadi Konuk Training and Research Hospital, University of Health Sciences, Ministry of Health of the Republic of Turkey, between January 2023 and June 2024, were reviewed. Images were obtained from 150 sacroiliac joints of 95 patients meeting the criteria. The 95 patients were divided into three groups: ankylosing spondylitis group, degenerative group, and control group. The images were segmented using the 3D Slicer software, and radiomics data were extracted from the segmented areas using PyRadiomics. Out of 93 radiomics features, 14 statistically significant features were selected based on statistical analyses. Using these 14 features, 64 models were created in MATLAB with and without PCA functionality. Each group was compared with the others and collectively using machine learning algorithms. Results: In the comparison between the ankylosing spondylitis group and the control group, the Logistic Regression-based machine learning algorithm achieved the highest accuracy, with a rate of 96%. In the comparison between the ankylosing spondylitis group and the degenerative group, the KNN-based machine learning algorithm achieved the highest accuracy, with a rate of 83%. In the comparison between the degenerative group and the control group, the Neural Network-based machine learning algorithm achieved the highest accuracy, with a rate of 96%. In the comparison of the ankylosing spondylitis group with the other groups collectively, the Neural Network-based machine learning algorithm achieved the highest accuracy, with a rate of 93%. Conclusion: Machine learning-assisted radiomics analysis demonstrated high accuracy and effectiveness in distinguishing inflammatory diseases of the sacroiliac joint from degenerative diseases.
Benzer Tezler
- Sakroileit şüphesi nedeniyle sakroiliak MRG yapılan hastalarda olası non-inflamatuar tanılar
Possible non-inflammatory diagnoses in patients undergoing sacroiliac MRI due to suspicion of sacroileitis
KÜRŞAT GÜREŞCİ
Tıpta Uzmanlık
Türkçe
2020
Radyoloji ve Nükleer TıpSağlık Bilimleri ÜniversitesiRadyoloji Ana Bilim Dalı
DOÇ. DR. AYNUR TURAN
- Aksiyal spondiloartropatide klinik hastalık aktivitesi ile sakroiliak MRG bulguları arasındaki korelasyon
Correlation between clinical disease activity and sacroiliac MRİ detection in axial spondyloarthropathy
ÖZENÇ İNAN
Tıpta Uzmanlık
Türkçe
2017
Fiziksel Tıp ve RehabilitasyonSağlık Bilimleri ÜniversitesiFiziksel Tıp ve Rehabilitasyon Ana Bilim Dalı
DOÇ. DR. NİL SAYINER ÇAĞLAR
- Sakroiliit tanısında manyetik rezonans görüntüleme
Başlık çevirisi yok
AHMET YEŞİLDAĞ
Tıpta Uzmanlık
Türkçe
2000
Radyoloji ve Nükleer TıpEge ÜniversitesiRadyodiagnostik Ana Bilim Dalı
PROF.DR. REMİDE ARKUN
- Sakroiliit tanısında direkt grafi, bilgisayarlı tomografi ve manyetik rezonans görüntüleme bulgularının karşılaştırılması
Başlık çevirisi yok
TELAT ŞİMŞEK
- Sakroiliit tanısında radyografi, bilgisayarlı tomografi ve manyetik rezonans görüntüleme
Conventional radiography-computed tomography and magnetic resonance imaging in diagnosis of sacroiliit
MEHMET AYDOĞDU
Tıpta Uzmanlık
Türkçe
2006
Radyoloji ve Nükleer TıpDicle ÜniversitesiRadyodiagnostik Ana Bilim Dalı
PROF.DR. AŞUR UYAR