Prostat bezi kanserinde ve prostatit hastalarında MR görüntülerinde faster R-CNN yapay zeka modeli ile lezyon tespiti yapılması
Lesion detection in MRI images of prostate cancer and prostatitis patients using faster R-CNN artificial intelligence model
- Tez No: 932897
- Danışmanlar: DOÇ. DR. GÜLEN BURAKGAZİ
- Tez Türü: Tıpta Uzmanlık
- Konular: Radyoloji ve Nükleer Tıp, Radiology and Nuclear Medicine
- Anahtar Kelimeler: Prostat bezi tümörü, Manyetik Rezonans, yapay zekâ, Faster R CNN, Prostate gland tumor, magnetic resonance imaging, artificial intelligence, Faster R CNN
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Recep Tayyip Erdoğan Üniversitesi
- Enstitü: Tıp Fakültesi
- Ana Bilim Dalı: Radyoloji Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 110
Özet
Giriş ve Amaç: Prostat kanseri(PCa), erkeklerde en sık görülen malignitelerden biridir. Özellikle ileri yaşlarda daha yaygın görülen bu hastalık, ciddi fiziksel ve psikolojik etkiler doğurabilir ve tedavi edilmediğinde ölümcül sonuçlar ortaya çıkarabilir. PCa, genellikle erken evrelerde belirgin semptomlar vermediği için tanısı zor olabilir; ancak ilerleyen evrelerde idrarda kan görülmesi, idrar yapmada zorluk ve sık idrara çıkma gibi belirtiler ortaya çıkar. Bu belirtiler Benign prostat hiperplazisi (BPH) gibi diğer benign durumlarla benzerlik gösterebildiğinden, prostat kanserinin erken ve doğru tanısı büyük önem taşır. Prostat ca tanısında çeşitli yöntemler kullanılmaktadır; dijital rektal muayene (DRM), ultrasonografi (US), prostat spesifik antijen (PSA) testi, biyopsi ve manyetik rezonans (MR) bu yöntemler arasında yer alır. MR, prostat ca ve diğer prostat hastalıklarının ayırt edilmesinde giderek artan bir önem kazanmaktadır. Benign ve malign tümörlerin tedavi süreci birbirinden farklı olduğundan bu tümörlerin ayırıcı tanısının yapılması önem arz etmektedir. Bu çalışmada Biparametrik MR(BpMR) yöntemiyle histopatolojik olarak kanser veya prostatit olduğu kesinleşen hastaların T2A(T2 ağırlıklı), DWI (Diffusion Weighted Imaging) ve ADC(Apparent Diffusion Coefficient) sekanslarındaki görüntüleri kullanılarak güncel bir yapay zeka modeli olan Faster R-CNN modelinin eğitilmesi aracılığıyla PI-RADS sınıflamasına göre p3, p4 ve p5 lezyonları, periferik zon ve transizyonel zonun tespit edilmesi ve elde edilen sonuçların radyologların tanılarıyla kıyaslanması amaçlanmıştır. Gereç ve Yöntem: Recep Tayyip Erdoğan Üniversitesi Tıp Fakültesi Eğitim ve Araştırma Hastanesinde Ocak 2017 – Aralık 2023 tarihleri arasında prostat bezine yönelik biparametrik MR çekilen ve histopatolojik tanısı kesinleşmiş prostat ca veya prostatit olduğu bilinen hastalardan 153 hasta çalışmaya dahil edilmiştir. Görüntüler üzerinde gerekli ön işleme aşamaları gerçekleştirildikten sonra Faster R-CNN derin öğrenme modelinin eğitilmesi aracılığıyla PIRADS sınıflaması gerçekleştirilmiştir. Bulgular: Gerçekleştirilen test sonuçlarına göre T2 sekansta“p5”etiketli görüntüler için 0,96,“p4”için 0,97,“p3”için 0,99 doğruluk değerlerine ulaşılmıştır. ADC-DWI sekansta ise“p5”etiketli görüntüler için 0,90,“p4”için 0,93 ve“p3”için 0,97 doğruluk değerlerine ulaşılmıştır. Fakat, modelin DWI-ADC görüntülerinde daha çok tahmin yapabildiği ve“p5”ve“p4”etiketli görüntüleri daha iyi tanıyabildiği görülmüştür. Sonuç: Elde edilen sonuçlar, Faster R-CNN gibi YZ (yapay zekâ) modellerinin bp-MR görüntüleme ile entegrasyonunun, prostat ca ve prostatit tanısında önemli bir potansiyele sahip olduğunu, lezyonun yerini tespit edebildiğini, periferik ve transizyonel zon ayrımı yapabildiğini ayrıca doğru bir şekilde PIRADS skoru verdiğini göstermektedir. Gelecekteki çalışmalar, bu modellerin daha geniş hasta popülasyonlarında ve farklı klinik senaryolarda doğrulanmasını içermelidir.
Özet (Çeviri)
Introduction and Objective: Prostate cancer (PCa) is one of the most common malignancies in men. This disease, which is more common in older ages, can cause serious physical and psychological effects and can be fatal if left untreated . PCa can be difficult to diagnose because it usually does not cause obvious symptoms in the early stages; however, symptoms such as blood in the urine, difficulty urinating and frequent urination occur in later stages. Since these symptoms can be similar to other benign conditions such as benign prostatic hyperplasia (BPH), early and accurate diagnosis of prostate cancer is of great importance. Various methods are used in the diagnosis of prostate cancer; digital rectal examination (DRE), ultrasonography (US), prostate-specific antigen (PSA) test, biopsy and magnetic resonance imaging (MRI) are among these methods. MRI is gaining increasing importance in distinguishing prostate cancer and other prostate diseases. Since the treatment processes of benign and malignant tumors are different from each other, it is important to make a differential diagnosis of these tumors. In this study, it was aimed to detect P3, P4 and P5 lesions, peripheral zone and transitional zone according to PI-RADS classification by training the Faster R-CNN model, a current artificial intelligence model, using the images of patients with histopathologically confirmed cancer or prostatitis in T2A (T2 weighted), DWI (Diffusion Weighted Imaging) and ADC (Apparent Diffusion Coefficient) sequences with Biparametric MR (BpMR) method and to compare the obtained results with the diagnoses of radiologists. Materials and Methods: 153 patients who underwent biparametric MR of the prostate gland at Recep Tayyip Erdoğan University Faculty of Medicine Training and Research Hospital between January 2017 and December 2023 and were known to have histopathologically confirmed prostate cancer or prostatitis were included in the study. After the necessary pre-processing stages were performed on the images, PIRADS classification was performed by training the Faster R-CNN deep learning model. Findings: According to the test results, the accuracy values for images labeled“p5”in the T2 sequence were 0.96, for images labeled“p4”0.97, and for images labeled“p3”0.99. In the ADC-DWI sequence, the accuracy values were 0.90 for images labeled“p5”, 0.93 for images labeled“p4”and 0.97 for images labeled“p3”. However, it was observed that the model was able to make more predictions in DWIADC images and better recognize images labeled“p5”and“p4”. Conclusion: The obtained results show that the integration of AI (artificial intelligence) models such as Faster R-CNN with (bp-MR) imaging has significant potential in the diagnosis of prostate cancer and prostatitis, can detect the location of the lesion and provide accurate PIRADS scores. Future studies should include validation of these models in larger patient populations and different clinical scenarios.
Benzer Tezler
- Prostat glandı benign ve malign lezyonları ayrımında difüzyon MR bulguları ile prostat biyopsi sonuçlarının karşılaştırılması
Comparison of diffusion MR evidence and prostate biopsy results in discriminating prostate gland benign and malign lesions
DİLEK KARATAŞ
Tıpta Uzmanlık
Türkçe
2012
Radyoloji ve Nükleer TıpAtatürk ÜniversitesiRadyoloji Ana Bilim Dalı
PROF. DR. ZEKİ BAKIR
- Prostat kanserli hastaların prostat sekresyon sıvılarından mirna eldesi ve mikroarray yöntemi ile miRNA ekspresyon profillerinin karşılaştırılması
Identification of microRNAs differentially expressed in prostatic secretions of patients with Prostate Cancer
ESRA GÜZEL
- Prostat kanserinde rutin Ga-68 PSMA PET/BT taramasına erken pelvik görüntülemenin eklenmesinin etkinliği
The effectiveness of addition of early pelvik imaging to the routine Ga-68 PSMA PET/CT scaning in prostate cancer
ERDAL ÇETİNKAYA
Tıpta Uzmanlık
Türkçe
2025
Radyoloji ve Nükleer TıpDicle ÜniversitesiNükleer Tıp Ana Bilim Dalı
PROF. DR. BEKİR TAŞDEMİR
- Multiparametrik prostat manyetik rezonans görüntüleme'de (mpmrg) prostate ımaging reporting and data system version 2.1 (pı- radsv2.1) ile saptanan lezyonların histopatolojik korelasyonu, pı-radsv2.1 in intra ve interobserver uyumluluğunun değerlendirilmesi ve prostat bezinin farmakokinetik analizleri
Histopathological correlation of lesions determined by prostate imaging reporting and data system version 2.1 (pi-radsv2.1) in multiparametric prostate magnetic resonance imaging (mpmrg), evaluation of pi-radsv2.1 intra and interobserver agreement and pharmacokinetic analysis of prostate gland
GÜLŞEN YÜCEL OĞUZDOĞAN
Tıpta Uzmanlık
Türkçe
2019
Radyoloji ve Nükleer TıpSağlık Bilimleri ÜniversitesiRadyoloji Ana Bilim Dalı
DOÇ. DR. ZEHRA HİLAL ADIBELLİ
- Prostat kanserinin preoperatif lokorejyonel evrelemesinde GA-68 PSMA-PET/BT ve multiparametrik mrg bulgularının postoperatif sonuçlar ile karşılaştırılması
Comparison of GA-68 PSMA-PET/CT and multiparametric mri findings with postoperative results in preoperative locoregional staging of prostate cancer
MUSTAFA DİNÇKAL