Yapay zeka temelli beyindeki bazı ak madde hastalıkları ile Multipl Skleroz hastalığının ayrımı
Artificial intelligence-based distinguishing of some white matter diseases in the brain from Multiple Sclerosis disease
- Tez No: 932902
- Danışmanlar: PROF. DR. MURAT TERZİ
- Tez Türü: Tıpta Uzmanlık
- Konular: Nöroloji, Neurology
- Anahtar Kelimeler: Multipl Skleroz, Yapay Zeka, Manyetik Rezonans Görüntüleme, Derin Öğrenme, Multiple Sclerosis, Artificial Intelligence, Magnetic Resonance Imaging, Deep Learning
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Ondokuz Mayıs Üniversitesi
- Enstitü: Tıp Fakültesi
- Ana Bilim Dalı: Nöroloji Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 86
Özet
Giriş ve amaç: Multipl Skleroz (MS) genellikle genç yaşta başlayan belirgin özürlülük meydana getiren beyinde akson ve miyelin hasarına neden olan inflamatuar kronik bir hastalıktır. Manyetik rezonans görüntüleme (MRG) hastalığın güncel tanı kriterlerinde yer alan önemli bir incelemedir. MS hastalığında MRG'de görülen lezyonlarla nonspesifik ak madde anormallikleri, genişlemiş Virchow Robin boşlukları, iskemik küçük damar hastalıklarında görülen lezyonlar karıştırılmaktadır. Bu durum yanlış tanı koyulmasına, hastalara gereksiz tedavi verilmesine, ileri merkezlere gereksiz sevke ve maddi kayba neden olmaktadır. Bu çalışmada yapay zekayla görüntü analizi yaparak karışıklık meydana getiren bu lezyonları birbirinden ayırt etmek amaçlanmıştır. Gereç ve Yöntem: Ondokuz Mayıs Üniversitesi Nöroloji kliniğine 2022-2023 yılları arasında başvuran hastalardan 2017 Mc Donald kriterlerine göre tanı almış 100 MS hastası çalışmaya alınmıştır. Literatürde tanımlandığı şekliyle beyin MRG'de görülen nonspesifik ak madde anormalliklerine sahip 100, genişlemiş Virchow Robin boşluklarına sahip 102, iskemik küçük damar hastalığına sahip olan 100 birey çalışmaya dahil edilmiştir. Kontrol amaçlı normal beyin MRG'ye sahip olan 116 birey de çalışmaya alınmıştır. Hastalara yapılan MRG'lerden FLAIR, T1 ve T2 ağırlıklı sekansları kullanılmış, çekim protokolünde kontrastlı serileri varsa eklenmeye çalışılmıştır. Elde edilen görüntülerdeki lezyon bulunan kesitler manuel olarak belirlenip seçilmiştir. Bu seçilmiş görüntüler evrişimsel sinir ağı mimarilerinden EfficientNetV2-B5 modeli kullanılarak çalışma için gerekli düzeltmeler yapılmış olarak analiz edilmiştir. 21835 görüntü kesitinin yaklaşık %80'i eğitim, %10'u doğrulama, %10'u test verisi olarak kullanılmıştır. Bulgular: Yaş ortalaması MS hastaları için 40,5; iskemik küçük damar hastalığı grubu için 63; nonspesifik ak madde anormallikleri grubu için 46; genişlemiş Virchow Robin boşlukları grubu için 48,8; kontrol grubu için 41,6 olarak bulunmuştur. MS hastaları grubunda kadın erkek oranı 1,7 tespit edilmiştir. Tüm hastalıkların görsellerinin değerlendirildiği algoritmada sensitivite %94, spesifite %98,5; F1 skoru %94,1; doğruluk ve kesinlik 94,17 olarak bulunmuştur. MS hastalarının MRG kesitleri değerlendirildiğinde sensitivite %92,2; spesifite %98,9; kesinlik %94,7; F1 skoru %93,5 olarak bulunmuştur Sonuç: Yapay zeka görüntü işleme yöntemiyle yapılan bu çalışmada, etiketlenmiş MR görüntüleri yüksek sensitivite, spesifite ve doğrulukla birbirinden ve normal bireylerden ayırt edilmiştir. Çalışma başka verilerle güçlendirilip geliştirilerek daha yüksek doğrulukta sonuçlar elde edilebilir. Klinik muayene ile birlikte otomatik yapay zeka metodları kullanılıp günlük pratiğe koyularak daha hızlı ve doğru sonuçlar elde edilebilir.
Özet (Çeviri)
Introduction and aim: Multiple Sclerosis (MS) is a chronic inflammatory disease that causes axon and myelin damage in the brain and leads to severe disability, usually starting at a young age. Magnetic resonance imaging (MRI) is an important test included in the current diagnostic criteria of the disease. Lesions seen on MRI in MS are often confused with nonspecific white matter abnormalities, enlarged Virchow Robin spaces and lesions seen in ischaemic small vessel diseases. This leads to misdiagnosis, unnecessary treatment, unnecessary referrals to advanced centres and financial losses. In this study, we aimed to distinguish these confusing lesions by using image analysis with artificial intelligence. Materials and Methods: A total of 100 MS patients who were diagnosed according to the 2017 Mc Donald criteria among patients admitted to Ondokuz Mayıs University Neurology clinic between 2022 and 2023 were included in the study. As defined in the literature, 100 individuals with nonspecific white matter abnormalities seen on brain MRI, 102 individuals with dilated Virchow Robin spaces, and 100 individuals with ischaemic small vessel disease were included in the study. For control purposes, 116 individuals with normal brain MRI were also included in the study. FLAIR, T1- weighted and T2-weighted sequences were used and if there was a contrast-enhanced series in the acquisition protocol, it was tried to be added. The sections with lesions in the obtained images were manually identified and selected. These selected images were analysed using the EfficientNetV2-B5 model, one of the convolutional neural network architectures, with the necessary corrections for the study. Approximately 80% of 21835 image sections were used as training data, 10% as validation data and 10% as test data. Results: The mean age was 40.5 years for MS patients, 63 years for ischaemic small vessel disease group, 46 years for nonspecific white matter abnormalities group, 48.8 years for dilated Virchow Robin spaces group and 41.6 years for control group. The female to male ratio in the MS patients group was 1.7. In the algorithm in which images of all diseases were evaluated, sensitivity was 94%, specificity 98.5%; F1 score 94.1%; accuracy and precision were found to be 94.17. When MRI sections of MS patients were evaluated, sensitivity was 92.2%, specificity 98.9%, precision 94.7%, F1 score 93.5% Conclusion: In this study, using artificial intelligence image processing, labelled MRI sections were distinguished from each other and from normal individuals with high sensitivity, specificity and accuracy. The study can be strengthened and improved with other data and results with higher accuracy can be obtained. Faster and more accurate results can be obtained by using automated artificial intelligence methods with clinical examination in daily practice.
Benzer Tezler
- EEG işaretlerinden epilepsi hastalığının teşhisi için yeni yaklaşımlar
Novel approaches for diagnosis of epilepsy disease from EEG signals
UMUT ORHAN
Doktora
Türkçe
2011
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolZonguldak Karaelmas ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. MAHMUT ÖZER
YRD. DOÇ. DR. MAHMUT HEKİM
- Çağdaş felsefede bedenselleşmiş biliş sorunu
The concept of embodied cognition in contemporary philosophy
MUSTAFA KÜÇÜKHÜSEYİN
- Developing a smart method for real -time brain tumor localization and segmentation on ct ımages using hybrid techniques and yolo
Hibrit teknikler ve yolo kullanilarak bt görüntülerinde gerçek zamanli beyin tümörü lokalizasyonu ve segmentasyonu için akilli bir yöntem geliştirilmesi
NUSAIBAH KHALID ABDULMAJEED AL-SALIHI
Doktora
İngilizce
2025
Elektrik ve Elektronik MühendisliğiÇukurova ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. ULUS ÇEVİK
PROF. DR. TURGAY İBRİKÇİ
- Tip 2 dıabetes mellıtus hastalarında hıppocampus ve cerebellum hacimlerinin değerlendirilmesi
Evaluation of the volume of hippocampus and cerebellum in type 2 diabetes mellitus patients
SERRA ÖZCAN
Yüksek Lisans
Türkçe
2024
Nörolojiİstanbul Medipol ÜniversitesiAnatomi Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SELVA ŞEN
DR. ÖĞR. ÜYESİ MUHAMMED İKBAL ALP
- Doğal dil işleme ve makine öğrenimi ; yöntem ve uygulama araştırması
Natural language processing and machine learning ; method and applied research
MELİSA CEREN ÇİMİLİ
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÜsküdar ÜniversitesiNörobilim Ana Bilim Dalı
PROF. DR. TÜRKER TEKİN ERGÜZEL