Geri Dön

Meme MRG'de saptanan kitle dışı kontrastlanmaların benign ve malign ayrımında radyolojik bulgularla doku analizi bulgularının makine öğrenimi yöntemleriyle değerlendirilmesi ve segmentasyon tabanlı 3 boyutlu evrişimsel sinir ağlarıyla karşılaştırılması

Evaluation of radiological and texture analysis findings using machine learning methods in the differentiation of benign and malignant non-mass enhancements detected onbreast MRI and comparison with segmentation-based three dimensional convolutional neural networks

PDF İndir

  1. Tez No: 929505
  2. Yazar: SERHAT AKIŞ
  3. Danışmanlar: PROF. DR. PINAR BALCI
  4. Tez Türü: Tıpta Uzmanlık
  5. Konular: Radyoloji ve Nükleer Tıp, Radiology and Nuclear Medicine
  6. Anahtar Kelimeler: Magnetic Resonance Imaging, Breast, Non Mass Enhancement, Artificial Intelligence, Machine Learning, Computer-Assisted Image Processing
  7. Yıl: 2025
  8. Dil: Türkçe
  9. Üniversite: Dokuz Eylül Üniversitesi
  10. Enstitü: Tıp Fakültesi
  11. Ana Bilim Dalı: Radyoloji Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 142

Özet

Amaç: BIRADS Atlası'na göre (1), meme MRG'de kitle dışı kontrastlanma (KDK), kitle özelliklerine uymayan ve yer kaplayıcı nitelikte olmayan anormal kontrastlanma alanlarını ifade eder. MRG'nin meme hastalıklarında yüksek duyarlılığına rağmen (28), KDK değerlendirmesinde benign ve malign bulguların önemli ölçüde örtüşmesi (61), gözlemci içi ve gözlemciler arası değişkenliğin yüksek olması (62, 64) ve KDK'nın MRG'de yanlış pozitif bulgulara yol açarak gereksiz biyopsilere neden olan en önemli faktörlerden biri olması (63) nedeniyle tanısal belirsizlikler ve yorumlama güçlükleri oluşmaktadır. Ayrıca literatürde de, KDK'nın dağılım ve iç yapı desenleriyle malignite arasındaki ilişkisini inceleyen çalışmaların sonuçları arasında belirgin farklılıklar vardır (60, 62, 67, 68, 69, 71, 73, 74, 75). Bu değişkenlik, değerlendirme sürecinde nesnelliği zorlaştırmaktadır. Bu çalışmada, KDK değerlendirilmesinde tanısal zorlukları aşmak ve daha objektif bir değerlendirme sağlayabilmek amacıyla bilgisayar destekli tanısal modellerin etkinliği araştırılmıştır. Bu doğrultuda doku analizi, makine öğrenmesi ve evrişimsel sinir ağlarının KDK'ların benign ve malign ayrımındaki performansı değerlendirilmiştir. Çalışmamız literatürde meme MRG'de KDK alanında hem radyomiks hem makine öğrenmesi hem de derin öğrenmede ilk 3 boyutlu yapay zeka (YZ) çalışmasıdır. Gereç ve Yöntem: Bu çalışmada, Mayıs 2015 ile Ağustos 2024 tarihleri arasında Dokuz Eylül Üniversitesi Hastanesi Radyoloji Anabilim Dalı'ndan elde edilen 110 KDK, histopatolojik veya klinik takip ile benign ya da malign olarak sınıflandırılmıştır. KDK'ların dağılım, iç yapı, taraf, T2A özelliği, maksimum boyut özellikleri, meme yoğunluğu, memenin arka plan kontrastlanması ve hasta yaşı not edilmiştir. Histopatolojik sonuçlar en baskın özellik şeklinde kaydedilmiştir. MRG'de saptanan kitle dışı kontrastlanmalar, 2. ve 7. post-kontrast yağ baskılı çıkarmalı T1A görüntülerinden ayrı ayrı değerlendirilmiştir. Radyomiks analizi için lezyonun tamamını içeren alan aksiyel, koronal ve sagittal planda 3 boyutlu şekilde LIFEx programında standart parametreler ile manuel segmente edilmiş ve morfolojik, intensite ve ikinci derece doku analizi verileri elde edilmiştir. Elde edilen bu veriler, istatistiksel analiz ve uygun makine öğrenme algoritmalarında değerlendirilerek radyolojik ve radyomiks tanısal modeller oluşturulmuştur. Derin öğrenme modeli için 3D Slicer kullanılarak manuel segmentasyon ile .nii formatında 3 boyutlu görüntüler elde edilmiştir. Derin öğrenme için 3D ResNet r3d_18 modeli kullanılmıştır. Modelin mimari yapısı oluşturulup uygun parametreler ile derin öğrenme analizi gerçekleştirilmiştir. Bulgular: Benign grupta 86, malign grupta 24 KDK yer almaktadır. 54 olguda histopatolojik değerlendirme yapılmış ve bunlardan 24'ü malign, 30'u ise benign sonuç almıştır. 66 olguda, benign kararı takip sonucunda verilmiştir. 44 olgu takipte stabil (%66,6) ve 22 olgu ise takipte azalan veya kaybolan (%33,3) şeklindedir. Ortalama takip süresi 20,1 aydır. Radyolojik bulgulardan fokal ve lineer dağılım ile homojen iç yapı paterni belirgin olarak benign grupta daha sık görülürken segmental ve bölgesel dağılım ile heterojen ve kümeleşen halkasal iç yapı malign grupta daha yüksek saptanmıştır. Hem yaş hem de maksimum boyut, malign-benign ayrımı açısından istatistiksel olarak anlamlı bulunmuştur. Yapılan radyomiks analizleri, malign lezyonların daha büyük, düzensiz ve heterojen yapıya sahip olduğunu göstermiş; lojistik regresyon sonuçları, morfolojik, histogram ve ikinci derece istatistik verilerinin birçoğunun malignite tahmininde belirleyici olduğunu ortaya koymuştur. İstatistiksel yöntemler ile yapılan lojistik regresyon analizinde 2. post-kontrast yağ baskılı çıkarmalı T1A üzerinden yapılan analizlerde, radyomiks verileri ile doğruluk oranı %93'e çıkmıştır. 7.post-kontrast yağ baskılı çıkarmalı T1A analizlerinde ise radyomiks modelin doğruluğu %91'e yükselmiştir. Makine öğrenme algoritması ile yapılan lojistik regresyon analizinde ise eğri altı alan en yüksek radyolojik parametrelere radyomiks verilerinin eklenmesiyle elde edilmiştir. Hem 2. hem de 7. post-kontrast yağ baskılı çıkarmalı T1A görüntüler üzerinden yapılan 3D CNN derin öğrenme modeli %100 duyarlılık ve %96 doğruluk ile en yüksek performansını sergilemiştir. Makine öğrenme algoritmalarının performans değerlendirmesinde özgüllük için Gradient Boosting, duyarlılıkta Lojistik Regresyon, doğruluk açısından ise Support Vector Machine ve Random Forest ön plana çıkmıştır. Sonuç: Çalışmamızda, KDK'ların değerlendirilmesinde radyolojik bulgulara radyomiks verilerinin eklenmesinin tanısal doğruluğu artırdığı gösterilmiş ve 3D CNN modelin tüm tanısal modeller arasında en yüksek başarıyı göstererek malignite tespitinde yapay zekanın etkinliğini ortaya konmuştur. Anahtar Sözcükler : Manyetik Rezonans Görüntüleme, Meme, Kitle Dışı Kontrastlanma, Yapay Zeka, Makine Öğrenmesi, Bilgisayar Destekli Görüntü İşleme

Özet (Çeviri)

Introduction-Aim: According to the BI-RADS Atlas (1), non-mass enhancement (NME) in breast MRI refers to abnormal areas of enhancement that do not conform to mass characteristics and are not space-occupying. Despite the high sensitivity of MRI in breast diseases (28), the evaluation of non-mass enhancement is complicated by significant overlap between benign and malignant findings (61), high intra-observer and inter-observer variability (62, 64), and the fact that NME can lead to false-positive findings on MRI, resulting in unnecessary biopsies (63), which contribute to diagnostic uncertainties and interpretational difficulties. Moreover, there are significant discrepancies in the literature regarding studies examining the relationship between the distribution and internal pattern of NME and malignancy (60, 62, 67, 68, 69, 71, 73, 74, 75). This variability complicates objectivity in the evaluation process. In this study, the effectiveness of computer-aided models was investigated to overcome the diagnostic challenges in NME assessment and provide a more objective evaluation. Accordingly, the performance of texture analysis, machine learning, and convolutional neural networks in distinguishing benign from malignant NME was evaluated. Our study is the first artificial intelligence study in the literature on NME in breast MRI to include three-dimensional deep learning, radiomics and machine learninng. Materials and Methods: In this study, 110 NME obtained from the Department of Radiology at Dokuz Eylul University Hospital between May 2015 and August 2024 were confirmed as benign or malignant through histopathological or clinical follow-up. The distribution, internal enhancement, laterality, T2-weighted characteristics and maximum size of NMEs, breast density, background parenchymal enhancement and age of the patient were recorded. Pathological results were documented based on the most dominant feature. NMEs detected on MRI were separately evaluated using the second and seventh post-contrast fat-suppressed subtraction T1-weighted images. For radiomics analysis, the entire lesion was manually segmented in three dimensions (axial, coronal, and sagittal planes) using the LIFEx software with standard parameters, and morphological, intensity, and second-order statistical texture analysis data were extracted. These data were analyzed using statistical methods and appropriate machine learning algorithms to develop radiological and radiomics-based diagnostic models. For deep learning analysis, three-dimensional images were obtained in .nii format through manual segmentation using 3D Slicer. The 3D ResNet r3d_18 model was employed for deep learning. After defining the model architecture and determining the training and test sets, deep learning analysis was conducted with optimized parameters. Results: In the benign group, 86 NME were observed, while 24 were identified in the malignant group. Histopathological evaluation was performed in 54 cases, with 24 confirmed malignant and 30 benign. In 66 cases, the benign diagnosis was based on imaging follow-up; 44 lesions remained stable (66.6%) and 22 showed regression or complete resolution (33.3%). The mean follow-up duration was 20.1 months. Radiologically, focal and linear distribution patterns with homogeneous internal enhancement were significantly more common in the benign group, whereas segmental and regional distributions along with heterogeneous and clustered ring enhancements were more frequently associated with malignancy. Both age and maximum lesion size were found to be statistically significant in distinguishing between benign and malignant lesions. Radiomics analysis revealed that malignant lesions tend to be larger, more irregular, and heterogeneous. Logistic regression demonstrated that morphological, histogram-based, and second-order features played a significant role in malignancy prediction. In statistical logistic regression analysis performed on fat-suppressed subtracted 2nd post-contrast T1-weighted images, radiomics data increased the diagnostic accuracy to 93%. For the 7th post-contrast series, the radiomics model achieved an accuracy of 91%. In machine learning–based logistic regression, the highest AUC was achieved when radiological parameters were combined with radiomics features. Moreover, 3D CNN deep learning models applied to both 2nd and 7th post-contrast fat-suppressed subtracted T1- weighted images demonstrated outstanding performance, with 100% sensitivity and 96% accuracy. In the comparative performance of machine learning algorithms, Gradient Boosting stood out in terms of specificity, logistic regression in sensitivity, and Support Vector Machine (SVM) along with Random Forest in overall accuracy. Conclusion: In our study, it was demonstrated that adding radiomics data to radiological findings increased diagnostic accuracy, and the 3D CNN model showed the highest success among all diagnostic models, highlighting the effectiveness of artificial intelligence in detecting malignancy in non-mass enhancement (NME).

Benzer Tezler

  1. Tez No

    818737

    Meme manyetik rezonans görüntüleme sonrası ikinci bakı ultrasonografi ile lezyon saptamada manuel ultrasonografi ve otomatik ultrasonografinin etkinliğinin karşılaştırılması

    Comparing the diagnostic efficiency of handheld breast ultrasound and automatic breast ultrasound as second look ultrasound techniques for the detection of lesions detected at breast mri

    ÜLKÜ TUBA PARLAKKILIÇ

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Radyoloji ve Nükleer TıpAcıbadem Mehmet Ali Aydınlar Üniversitesi

    Radyodiagnostik Ana Bilim Dalı

    PROF. DR. SELMA GÜL İÇTEN

  2. Tez No

    497646

    Meme MRG'de saptanan kitlesel olmayan parlaklaşmaların histopatolojik korelasyonu

    Histopathological correlation of non-mass enhancement detected in breast magnetıc resonance ımagıng

    MAHMUT KÜSBECİ

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2018

    Radyoloji ve Nükleer TıpEge Üniversitesi

    Radyoloji Ana Bilim Dalı

    PROF. DR. IŞIL GÜNHAN BİLGEN

  3. Tez No

    509104

    Meme manyetik rezonans görüntülemede BI-RADS kategori 3 lezyonlar;Takip sonuçları

    Bi-rads category 3 breast lesions on MRİ; follow-up results

    EMEL EMİR YETİM

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2018

    Radyoloji ve Nükleer TıpAkdeniz Üniversitesi

    Radyoloji Ana Bilim Dalı

    PROF. DR. EMEL DURMAZ

  4. Tez No

    893979

    Meme dinamik maynetik rezonans görüntüleme'de kitlesel olmayan kontrastlanmaların radyolojik-patolojik korelasyonu

    Radyopathologi̇cal correlati̇on of non mass contrast enhancements in dynamic breast magnetic resonance imaging

    MOHAMMAD NAIM FOROGH

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2024

    PatolojiEge Üniversitesi

    Radyoloji Ana Bilim Dalı

    PROF. DR. AYŞE NUR OKTAY ALFATLI

  5. Tez No

    868831

    MRG ile saptanan malignite için şüpheli bulguları olan (BI-RADS 4) lezyonlarda histopatolojik benignite oranı

    Histopathologic benignity rate in lesions with suspicious findings for malignancy (BI-RADS 4) detected by MRG

    EDA NUR KORKMAZ

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2024

    Radyoloji ve Nükleer TıpSağlık Bilimleri Üniversitesi

    Radyoloji Ana Bilim Dalı

    DOÇ. DR. FERHAT CÜCE

Geri Dön