Manyetik rezonans görüntülemede saptanan vertebra korpus lezyonlarının ayırıcı tanısında derin öğrenme tabanlı yapay zekanın etkinliğinin değerlendirilmesi
Evaluation of the effectiveness of deep learning in the differential diagnosis of vertebral body lesions detected by magnetic resonance imaging
- Tez No: 931442
- Danışmanlar: DOÇ. DR. MEHMET BEYAZAL
- Tez Türü: Tıpta Uzmanlık
- Konular: Radyoloji ve Nükleer Tıp, Radiology and Nuclear Medicine
- Anahtar Kelimeler: Vertebra korpus lezyonları, manyetik rezonans görüntüleme, derin öğrenme, tespit, sınıflandırma, ayırıcı tanı, Vertebral body lesions, magnetic resonance imaging, deep learning, detection, classification, differentional diagnosis
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Recep Tayyip Erdoğan Üniversitesi
- Enstitü: Tıp Fakültesi
- Ana Bilim Dalı: Radyoloji Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 76
Özet
Giriş ve Amaç: Omurga (vertebra) hastalıkları insan ömrünün uzamasıyla birlikte oldukça yaygın olarak görülmektedir. Vertebra korpusunda, metastazlar, en sık görülen malign hastalık grubudur. Hemanjiomlar, en sık izlenen benign tümörlerdir. Bunun dışında çökme kırıkları ve spondilodiskit oldukça sık görülmektedir. Bu hastalıkların tanısında MRG altın standarttır ancak lezyonların benzer görüntüleme özellikleri gösterebilmesi ayırıcı tanıda güçlük oluşturabilmektedir. Biz bu çalışmamızda, tedavi yaklaşımları ve prognozu birbirlerinden oldukça farklı olan bu antitelerin ayırıcı tanısında MRG kullanarak derin öğrenme modellerinin etkinliğini değerlendirmeyi amaçlamaktayız. Gereç ve Yöntem: Recep Tayyip Erdoğan Üniversitesi Tıp Fakültesi Eğitim ve Araştırma Hastanesinde Ocak 2019- Mart 2024 tarihleri arasındaki hastalar geriye dönük olarak incelendi. Herhangi bir klinik gerekçeyle, 1.5 T (Tesla) MR cihazında torakal ve lomber spinal MRG çekimi yapılan hastaların görüntüleri taranarak toplamda 235 hastaya ait 392 vertebra korpus lezyonu çalışmaya dahil edildi. Çalışma için uygun görüntü verileri sagittal planda çekimi yapılmış T1 ve T2 ağırlıklı sekanslardan elde edilip kaydedildi. Tüm görüntüler standart boyutta düzenlendi. Standartize edilmiş görüntülerden T1 ve T2 ağırlıklı görüntüler için iki ayrı veri seti oluşturuldu. Patoloji grupları metastaz, akut çökme kırığı, hemanjiom, atipik hemanjiom ve spondilodiskit olarak sınırlayıcı kutu ile işaretlenerek belirlendi. 181 hastanın görüntülerinden oluşturulan veri seti %80 eğitim ve %20 doğrulama olarak ikiye ayrıldı. Ek olarak test amacıyla 54 hastanın görüntüleri kullanıldı. Görüntü ön işleme aşamalarının ardından YOLOv8 derin öğrenme modeli kullanılarak tespit ve sınıflandırma işlemi gerçekleştirildi. Bulgular: Test seti sonuçlarına göre; T1 ve T2 ağırlıklı görüntülerden elde edilen veri setleri için mAP (B) değeri sırasıyla 0,82 , 0,86, mAP (M) değeri sırasıyla 0,83, 0,85'tir. Kesinlik (B) değeri sırasıyla 0,85 ve 0,86, kesinlik (M) değeri sırasıyla 0,81 ve 0,82 elde edilmiştir. Geri çağırma (B) değeri sırasıyla 0,82, 0,84 ve geri çağırma (M) değeri 0,84 ve 0,82 olarak bulunmuştur. F1 skoru sırasıyla 0,82 ve 0,83 olarak tespit edilmiştir. Doğruluk oranı T1 veri seti için 0,84 ve T2 veri seti için 0,85'tir. Sonuç: Derin öğrenme modelleri vertebra korpus lezyonlarının ayırıcı tanısında yüksek başarı performansı göstermektedir. Bu sonuçlar derin öğrenme mimarilerinin, görüntüleme analizleri gerçekleştirerek tanısal süreçlerde değerli bir araç olarak kullanılabileceğini göstermektedir. Derin öğrenme yaklaşımları, vertebra korpus lezyonlarının tespitinde ve ayırıcı tanısında klinik uygulamalar için güçlü bir destek sunarak hasta bakımını iyileştirme potansiyeline sahiptir.
Özet (Çeviri)
Introduction and Objective: Spinal diseases have become increasingly common with the extension of human life expectancy. Metastases are the most frequently observed malignancies in the vertebral body, while hemangiomas are the most common benign tumors. Furthermore, compression fractures and spondylodiscitis are also frequently encountered. Although MRI is the gold standard for diagnosing these conditions, the similar imaging characteristics of the lesions can pose challenges in the differential diagnosis. In this study, we aims to evaluate the effectiveness of deep learning models in the differential diagnosis of these conditions using MRI. Materials and Methods: Between January 2019 and March 2024, images of patients who underwent thoracic and lumbar spinal MRI using a 1.5 T MR device at Recep Tayyip Erdoğan University Medical Faculty Training and Research Hospital were scanned. A total of 392 vertebral body lesions from 235 patients were included in the study. Suitable image data were obtained from sagittal plane T1 and T2-weighted sequences and recorded. All images were standardized to a uniform size. Two separate datasets were created from the standardized images for T1 and T2 weighted images. Pathology groups were defined using bounding boxes to identify metastasis, acute compression fractures, hemangiomas, atypical hemangiomas, and spondylodiscitis. The images in the created dataset were divided into 80% for training and 20% for validation. Additionally, images from 54 patients were used for external testing purposes. Following the image preprocessing stages, detection and classification were performed using the YOLOv8 deep learning model. Findings: According to the results of the test set, the mAP(B) value for T1 and T2 datasets were 0.82 and 0.86, respectively, and the mAP(M) values were 0.83 and 0.85. The precision(B) values were 0.85 and 0.86, while the precision(M) values were 0.81 and 0.82. The recall(B) values were 0.82 and 0.84, and the recall(M) values were found to be 0.84 and 0.82. The F1 scores were 0.82 and 0.83, respectively. The accuracy rates were 0.84 for the T1 dataset and 0.85 for the T2 dataset. Conclusion: Deep learning models demonstrate high performance in the differential diagnosis of vertebral body lesions. These results indicate that deep learning architectures can be valuable tools in diagnostic processes by performing imaging analyses. Deep learning approaches provide strong support for clinical applications in the detection and differential diagnosis of vertebral body lesions, thereby contributing to the improvement of patient care.
Benzer Tezler
- Multipl myelomda vertebral bulguların manyetik rezonans görüntüleme ile değerlendirilmesi
Başlık çevirisi yok
GÜLGÜN DEMİRPOLAT
Tıpta Uzmanlık
Türkçe
1997
Radyoloji ve Nükleer TıpEge ÜniversitesiRadyodiagnostik Ana Bilim Dalı
PROF. DR. ESİN EMİN ÜSTÜN
- Künt boyun travması olan bilgisayarlı tomografisi normal acil servis hastalarında servikal manyetik rezonans görüntülemede tespit edilen patolojilerin ve riskli hastaların araştırılması
Investigation of pathologies and risky patients detected in cervical magnetic resonance imaging in normal emergency service patients with blunt neck trauma
HÜSEYİN AYDIN
Tıpta Uzmanlık
Türkçe
2020
İlk ve Acil YardımSağlık Bilimleri ÜniversitesiAcil Tıp Ana Bilim Dalı
DOÇ. DR. ÖZGE DUMAN ATİLLA
- Rutin lomber mrg incelemesi yapılan hastalarda koronal single shot t2 sekansı ile ekstraspinal bulguların araştırılması
Evaluating of the extraspinal findings at lumbar spine mri with coronal single shot t2 sequence
RIDVAN PEKÇEVİK
Tıpta Uzmanlık
Türkçe
2013
Radyoloji ve Nükleer TıpSağlık BakanlığıRadyoloji Ana Bilim Dalı
DOÇ. DR. ZEHRA HİLAL ADIBELLİ
- Lomber disk hernisi nedeniyle opere olan olgularda Manyetik Rezonans (MR) görüntüleme ile saptanan vertebra endplate değişikliklerinin önemi
Başlık çevirisi yok
EMRE KAÇAR
Tıpta Uzmanlık
Türkçe
2004
Radyoloji ve Nükleer TıpUludağ ÜniversitesiRadyoloji Ana Bilim Dalı
PROF. DR. MÜFİT PARLAK
- Lumbal disk hernilerinin manyetik rezonans görüntüleme'de tiplendirilmesi ve seviye, yaş, cinsiyete göre dağılımları
Typing and level,age, sex distribution of lumbar disc hernia by magnetic resonance imaging
SAFA ŞAHİN
Tıpta Uzmanlık
Türkçe
2012
Radyoloji ve Nükleer TıpKırıkkale ÜniversitesiRadyoloji Ana Bilim Dalı
YRD. DOÇ. DR. RUHİ BARIŞ CÖMERT