Geri Dön

Prostat lezyonlarında benign-malign ayrımında ve PIRADS kategorisi belirlemede MR texture analizin ve makine öğrenmesinin rolü

Başlık çevirisi mevcut değil.

PDF İndir

  1. Tez No: 932035
  2. Yazar: ÖMER KOÇAK
  3. Danışmanlar: DR. UĞUR KESİMAL
  4. Tez Türü: Tıpta Uzmanlık
  5. Konular: Radyoloji ve Nükleer Tıp, Radiology and Nuclear Medicine
  6. Anahtar Kelimeler: Prostat kanseri, Texture analiz, Makine öğrenmesi, Prostat neoplazmları, Radyomikler, Prostate cancer, Texture analysis, Machine learning, Prostatic neoplasms, Radiomics
  7. Yıl: 2025
  8. Dil: Türkçe
  9. Üniversite: Sağlık Bilimleri Üniversitesi
  10. Enstitü: Ankara Eğitim ve Araştırma Hastanesi
  11. Ana Bilim Dalı: Radyoloji Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Giriş ve Amaç: Prostat kanseri, erkeklerde en sık görülen malignitelerden biridir ve erken teşhis, tedavi edilebilir aşamada yakalanması açısından kritik öneme sahiptir. Yükselmiş PSA düzeyleri veya anormal dijital rektal muayene sonrası TRUS eşliğinde biyopsi yaygın bir tanı yöntemidir. MR görüntüleme ise lezyonun sınırlarını, büyüklüğünü ve invazyonunu değerlendirmek için kullanılabilir ve füzyon biyopsi işlemlerine rehberlik edebilir. PIRADS v2.1 sınıflama sistemine dayalı MR görüntüleme, prostat kanseri tanısında yüksek duyarlılık ve özgüllük sunar ancak okuyucular arası yorum farklılıkları önemli bir kısıtlılığıdır. Texture analiz, radyolojik görüntülerde çıplak gözle algılanamayan piksellerin uzamsal dağılımını ve heterojenliğini ölçen bir yöntem olup tanıya katkıda bulunabilir.Bu retrospektif çalışmada, prostat kanseri şüphesiyle MR görüntülemesi yapılan ve patolojik tanı alan hastalarda, PIRADS 3-5 lezyonlarına yönelik texture analizinin doğru tanıya katkısı incelenmiştir. Gereç ve Yöntem: Bu retrospektif çalışmada, Ocak 2023-Haziran 2023 tarihleri arasında Sağlık Bilimleri Üniversitesi Ankara Eğitim ve Araştırma Hastanesi'nde prostat kanseri ön tanısı ile prostat MR çekimi yapılan, MR füzyon biyopsi sonucu benign veya malign patolojik tanı almış 70 hasta incelenmiştir. Hastaların klinik bilgileri hastane bilgi yönetim sisteminden, MR görüntüleri ise PACS'dan elde edilmiştir. Prostat MR tetkikleri 1.5 Tesla Siemens MAGNETOM Area ve 3 Tesla Siemens MAGNETOM Lumina cihazı kullanılarak gerçekleştirilmiş; aksiyal T2, difüzyon ağırlıklı görüntüler (b=1400) ve ADC sekansları texture analizi için LIFEx yazılımına aktarılmıştır. LASSO analizi ile malign-benign ayrımı ve PIRADS 4-5 lezyonlarının PIRADS 3'ten ayırt edilmesinde anlamlı özellikler belirlenmiştir. Seçilen bu özellikler, Orange veri madenciliği yazılımına aktarılarak lojistik regresyon ve nöral network modelleri oluşturulmuştur. Model performansları, 10 katlı çapraz doğrulama ile değerlendirilmiş; duyarlılık, özgüllük, AUC ve tanısal doğruluk değerleri hesaplanmıştır. Bulgular : Çalışmaya yaşları 52 ile 82 arasında değişen toplam 70 hasta dahil edilmiştir. Katılımcıların yaş ortalaması 65.71, PSA düzeyi ortalaması 8.57 ng/ml, prostat hacmi ortalaması 59.65 ml ve PSA yoğunluğu ortalaması 0,17 ng/ml2 olarak hesaplanmıştır. PIRADS skor dağılımına göre hastaların %45,7'si PIRADS 3, %30'u PIRADS 4 ve %24,3'ü PIRADS 5 olarak raporlanmıştır. Patoloji sonuçları ise hastaların %50'sinde benign, %27,1'inde Gleason 3+3, %5,7'sinde Gleason 3+4, %7,1'inde Gleason 4+3, %5,7'sinde Gleason 4+4 ve %4,3'ünde Gleason 4+5 olarak saptanmıştır. LASSO analizi ile ADC, difüzyon ve T2 sekanslarına ait texture verilerinden patolojik sonuç ve PIRADS skorları ile ilişkili anlamlı öz nitelikler belirlenmiştir. ADC sekansında patolojik sonuçlarla ilişkili 4 morfolojik, 2 birinci derece histogram ve 4 ikinci derece histogram özelliği anlamlı bulunurken; PIRADS skoru için 4 morfolojik, 5 birinci derece histogram ve 3 ikinci derece histogram özelliği seçilmiştir. Difüzyon sekansı için patolojik sonuçlarla ilişkili 3 morfolojik, 4 birinci derece histogram ve 5 ikinci derece histogram özelliği; PIRADS skoru için ise 3 morfolojik, 5 birinci derece histogram ve 3 ikinci derece histogram özelliği anlamlı bulunmuştur. T2 sekansında ise patolojik sonuçlarla ilişkili 3 morfolojik ve 3 ikinci derece histogram özelliği, PIRADS skoru için ise 4 morfolojik, 2 birinci derece histogram ve 2 ikinci derece histogram özelliği anlamlı olarak belirlenmiştir. Makine öğrenmesi algoritmaları ile yapılan değerlendirmede, benign-malign ayrımında ADC sekansı verileri ile lojistik regresyon modelinde AUC 0,931, duyarlılık %95, özgüllük % 89 ve doğruluk % 94 olarak hesaplanmıştır. Aynı verilerle nöral network modelinde ise AUC 0,903, duyarlılık %88, özgüllük %89 ve doğruluk %88 bulunmuştur. Difüzyon sekansı verileri ile lojistik regresyon modelinde AUC 0,944, duyarlılık %75, özgüllük %89 ve doğruluk %82; nöral network modelinde ise AUC 0,861, duyarlılık %75, özgüllük %78 ve doğruluk %76 olarak elde edilmiştir. T2 sekansı verileri ise benign-malign ayrımında diğer sekanslara kıyasla daha düşük performans göstermiştir (lojistik regresyon: AUC 0,681, doğruluk %65; nöral network: AUC 0,667, doğruluk %53). PIRADS 4-5 ve PIRADS 3 ayrımında ise ADC ve difüzyon sekansları, özellikle lojistik regresyon modellerinde yüksek doğruluk değerleri sağlamıştır (ADC: AUC 0,939, doğruluk %82; difüzyon: AUC 0,894, doğruluk %88). T2 sekansı bu ayrımda da diğer sekanslara kıyasla daha düşük doğruluk oranları göstermiştir. Sonuç: Bu çalışma ADC, difüzyon ve T2 sekanslarının texture analizinin lojistik regresyon ve nöral network makine öğrenme algoritmalarında benign-malign ayrımında ve PIRADS skoru değerlendirmelerinde yüksek öngörü performansına sahip olduğunu ortaya koymuştur. Bu bulgular, prostat kanseri tanısında texture analizin klinik karar destek süreçlerine katkı sağlayabileceğini göstermektedir.

Özet (Çeviri)

Introduction and Objective: Prostate cancer is one of the most common malignancies in men and early detection is critical to catch it at a curable stage. TRUS-guided biopsy is a common diagnostic method after elevated PSA levels or abnormal digital rectal examination. MR imaging can be used to assess the margins, size and invasion of the lesion and can guide fusion biopsy procedures. MR imaging based on the PIRADS v2.1 classification system offers high sensitivity and specificity in the diagnosis of prostate cancer, but interobserver variability is differences are a major limitation. Texture analysis is a method that measures the spatial distribution and heterogeneity of pixels that cannot be detected by the human eye in radiological images and may contribute to the diagnosis.In this retrospective study, the contribution of texture analysis for PIRADS 3-5 lesions to the correct diagnosis in patients who underwent MR imaging with suspicion of prostate cancer and received a pathological diagnosis was examined. Materials and Methods: In this retrospective study, 70 patients who underwent prostate MRI at Ankara Training and Research Hospital between January 2023 and June 2023 with a preliminary diagnosis of prostate cancer and who received a benign or malignant pathologic diagnosis as a result of fusion biopsy were analyzed. Clinical information of the patients was obtained from the electronic records and MR images were obtained from the PACS . Prostate MR examinations were performed using 1.5 Tesla Siemens MAGNETOM Area and 3 Tesla Siemens MAGNETOM Lumina device; axial T2, diffusion weighted images (b=1400) and ADC sequences were transferred to LIFEx software for texture analysis. Significant features were identified by LASSO analysis for malignant-benign differentiation and differentiation of PIRADS 4-5 lesions from PIRADS 3. These selected features were transferred to Orange data mining software and logistic regression and artificial neural network models were created. Model performances were evaluated by 10-fold cross validation and sensitivity, specificity, AUC and accuracy values were calculated. Results : A total of 70 patients aged between 52 and 82 years were included in the study. The mean age was 65.71 years, mean PSA level was 8.57 ng/ml, mean prostate volume was 59.65 ml and mean PSA density was 0.17 ng/ml2. According to PIRADS score distribution, 45.7% of the patients were reported as PIRADS 3, 30% as PIRADS 4 and 24.3% as PIRADS 5. Pathology results were benign in 50% of the patients, Gleason 3+3 in 27.1%, Gleason 3+4 in 5.7%, Gleason 4+3 in 7.1%, Gleason 4+4 in 5.7% and Gleason 4+5 in 4.3%. Significant features associated with pathological results and PIRADS scores were determined from the texture data of ADC, diffusion and T2 sequences by LASSO analysis. In the ADC sequence, 4 morphologic, 2 first-order histogram and 4 second-order histogram features were found to be significant for pathologic results, while 4 morphologic, 5 first-order histogram and 3 second-order histogram features were selected for PIRADS score. For the diffusion sequence, 3 morphologic, 4 first-order histogram and 5 second- order histogram features were found significant for pathologic results, while 3 morphologic, 5 first-order histogram and 3 second-order histogram features were found significant for PIRADS score. In the T2 sequence, 3 morphologic and 3 second-order histogram features associated with pathologic results and 4 morphologic, 2 first-order histograms and 2 second-order histogram features for PIRADS score were found to be significant.In the evaluation performed with machine learning algorithms, AUC 0.931, sensitivity %95, specificity %89 and accuracy %94 were calculated in the logistic regression model with ADC sequence data for benign-malignant discrimination. In the artificial neural network model with the same data, AUC was 0.903, sensitivity %88, specificity %89 and accuracy %88. In the logistic regression model with diffusion sequence data, AUC was 0.944, sensitivity %75, specificity %89 and accuracy %82; in the artificial neural network model, AUC 0.861, sensitivity %75, specificity %78 and accuracy %76. T2 sequence data showed lower performance in benign-malignant discrimination compared to other sequences (logistic regression: AUC 0.681, accuracy %65; artificial neural network: AUC 0.667, accuracy %53). In the PIRADS 4-5 and PIRADS 3 discrimination, ADC and diffusion sequences provided high accuracy values, especially in logistic regression models (ADC: AUC 0.939, accuracy %82; diffusion: AUC 0.894, accuracy %88). The T2 sequence also showed lower accuracy rates in this discrimination compared to other sequences. Conclusion: This study revealed that texture analysis of ADC, diffusion and T2 sequences has high predictive performance in benign-malignant discrimination and PIRADS score evaluations in logistic regression and neural network machine learning algorithms. These findings suggest that texture analysis can contribute to clinical decision support processes in prostate cancer diagnosis.

Geri Dön