Bilgisayarlı tomografi akciğer görüntülerindeki akciğer hastalıklarına bağlı pulmoner değişikliklerin piksel bazlı analizlerle değerlendirilmesi
Evaluation of pulmonary changes in CT lung images due to lung diseases with pixel-based analysis
- Tez No: 936822
- Danışmanlar: DOÇ. DR. ÖZKAN DOĞANAY
- Tez Türü: Doktora
- Konular: Biyofizik, Biyoteknoloji, Göğüs Hastalıkları, Biophysics, Biotechnology, Chest Diseases
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Ege Üniversitesi
- Enstitü: Sağlık Bilimleri Enstitüsü
- Ana Bilim Dalı: Temel Onkoloji Ana Bilim Dalı
- Bilim Dalı: Kanser Biyolojisi ve İmmünolojisi Bilim Dalı
- Sayfa Sayısı: 60
Özet
Bu çalışmanın amacı, COVID-19 ile ilişkili pnömoni değişikliklerini BT görüntülerinde daha hassas bir şekilde ölçmek için piksel tabanlı bir analiz yöntemi geliştirmektir. BT görüntülerinde pnömoni bölgelerinin düşük kontrastı nedeniyle enfeksiyon alanlarının belirlenmesi zordur. Mevcut yapay zeka yazılımları, lokal pnömoni özelliklerini çıkararak COVID-19 lezyonlarını ölçmek için geliştirilmiştir, ancak bu yazılımlar, kümelenmiş fokal pnömoni hacimlerinin ötesindeki piksel düzeyindeki değişiklikleri göz ardı edebilmektedir. Bu çalışmada önerilen yöntem, COVID-19 pnömonisinin tüm akciğer üzerinde, yalnızca kümelenmiş fokal pnömoni hacimlerine odaklanmak yerine, piksel piksel ölçülmesini hedeflemektedir. Çalışmada, 50 COVID-19 hastası ve 50 yaş eşleştirilmiş sağlıklı kontrol grubu analiz edilmiştir. Pnömoni oranı, akciğer parankimasındaki piksel yoğunluğu ile hesaplanmış ve pulmoner havayolları, damarlar ve pleural boşluklar hariç tutulmuştur. Yapılan analizlerde, COVID-19 hastalarının tüm akciğerlerinde pnömoni oranı %8,1 ± 4,4, sol üst ve alt loblarda ise sırasıyla %6,1 ± 4,5 ve %11,3 ± 7,3 olarak bulunmuş ve istatistiksel olarak anlamlı farklar saptanmıştır (P < 0.01). Piksel tabanlı yöntemler, ticari yapay zeka yazılımlarla karşılaştırıldığında, özellikle üst loblardaki pnömoniyi dört kat daha hassas şekilde tespit etmiştir (P < 0.01). Sonuç olarak, piksel tabanlı analiz yöntemi, COVID-19 hastalarında pnömoniyi doğru bir şekilde değerlendirebilir ve yapay zeka tabanlı yöntemlere göre daha hassas sonuçlar vermektedir. Ayrıca, bu teknik, üst loblardaki pnömoniyi daha hassas bir şekilde tespit ederken, yapay zeka tabanlı analiz sonuçlarına bakıldığında üst loblardaki akciğer pnömoni bölgesini gözden kaçırdığı belirlenmiştir. Bu yeni yaklaşım, yalnızca kümelenmiş pnömoni bölgelerinde değil, tüm akciğerde de pnömoni oranını hesaplayarak daha yüksek hassasiyet elde edilmesini sağlar. Sonuç olarak, bu çalışmada geliştirilen piksel tabanlı analiz yöntemi, COVID-19 ile ilişkili pnömoni değişikliklerinin daha hassas ve doğru bir şekilde değerlendirilmesine olanak sağlamaktadır. Bu teknik, yalnızca klinik uygulamalarda daha etkili bir tanı ve tedavi sürecine katkı sağlamakla kalmayıp, aynı zamanda daha geniş kapsamlı araştırmalara, özellikle COVID-19 sonrası uzun dönem etkilerinin incelenmesine de olanak tanıyacaktır. Gelecekte, bu yöntemin, pnömoni takibi, ilaç tedavi süreçlerinin izlenmesi ve yeni tedavi stratejilerinin geliştirilmesi açısından büyük bir potansiyel taşıdığı düşünülmektedir. Ayrıca, bu tür yaklaşımlar, daha hızlı ve doğru tıbbi kararlar alınmasına yardımcı olarak sağlık sistemlerinin etkinliğini artırabilir. Anahtar Kelimeler; Bilgisayarlı Tomografi (BT); SARS-CoV-2; buzlu cam opasitesi; pnömoni; akciğer hastalıkları; BT atenüasyon
Özet (Çeviri)
This study aims to develop a pixel-based analysis method for more accurately measuring COVID-19-related pneumonia changes in CT images. Due to the low contrast of pneumonia regions in CT images, it is difficult to identify infection areas. Existing artificial intelligence (AI) software has been developed to measure COVID-19 lesions by extracting local pneumonia features, but these programs may overlook pixel-level changes beyond clustered focal pneumonia volumes. The proposed method in this study focuses on pixel-by-pixel measurement of COVID-19 pneumonia throughout the entire lung, rather than focusing solely on clustered focal pneumonia volumes. The study analyzed 50 COVID-19 patients and 50 age-matched healthy control subjects. The pneumonia percentage was calculated based on the pixel density in the lung parenchyma, excluding pulmonary airways, vessels, and pleural spaces. The analysis found the pneumonia percentage in the entire lungs, left upper, and lower lobes of the COVID-19 patients to be 8.1 ± 4.4%, 6.1 ± 4.5%, and 11.3 ± 7.3%, respectively, with statistically significant differences (P < 0.01). Pixel-based methods were four times more sensitive than commercial AI software, particularly in detecting pneumonia in the upper lobes (P < 0.01). In conclusion, pixel-based analysis can accurately assess pneumonia in COVID-19 patients and provide more precise results than AI-based methods. Moreover, this technique detects pneumonia in the upper lobes more accurately, while AI-based analysis tends to overlook the upper lung pneumonia regions. This new approach allows for more accurate calculation of the pneumonia percentage not only in clustered pneumonia areas but also throughout the entire lung, achieving higher sensitivity. As a result, the pixel-based analysis method developed in this study allows for more precise and accurate evaluation of COVID-19-related pneumonia changes. This technique not only contributes to more effective diagnosis and treatment processes in clinical applications but also enables broader research, particularly in investigating the long-term effects of COVID-19. In the future, this method is believed to have great potential in monitoring pneumonia, tracking medication treatment processes, and developing new treatment strategies. Additionally, such approaches can assist in making faster and more accurate medical decisions, thereby enhancing the effectiveness of healthcare systems. Keywords; Computed Tomography (CT); SARS-CoV-2; Ground Glass Opacity (GGO); pneumonia; lung diseases; CT attenuation
Benzer Tezler
- Radyoterapinin pulmoner damarlara etkisinin incelenmesi ve radyasyon pnömonisi erken tanısına katkısının araştırılması
Investigation of the effect of radiotherapy on pulmonary vessels and its contribution to the early diagnosis of radiation pneumonia
GÖKÇE TANIYAN
- Hemoptizilerde endovasküler tedavinin etkinliği
Effectiveness of endovascular treatment in hemoptysis
ELİF ARZU ÖZEN
Tıpta Uzmanlık
Türkçe
2023
Radyoloji ve Nükleer TıpSağlık BakanlığıRadyoloji Ana Bilim Dalı
DOÇ. DR. MEHMET BEYAZAL
- A hybrid deep learning metaheuristic model for diagnosis of diabetic retinopathy
Diyabetik retinopatinin tanısı için hibrit bir derin öğrenme meta-sezgisel modeli
ÖMER FARUK GÜRCAN
Doktora
İngilizce
2022
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÖMER FARUK BEYCA
- HRCT ile ölçülen akciğer hacimlerinde yaşa bağlı geriatrik değişiklikler ve ilişkili etmenler
Age dependent geriatric changes in lung volume measured with High-Resolution Computed Tomography and related factors
ABDULLAH UYSAL
Doktora
Türkçe
2022
DemografiEge Üniversitesiİç Hastalıkları Ana Bilim Dalı
PROF. DR. ZELİHA FULDEN SARAÇ
- Derin öğrenme ve dalgacık dönüşümüne dayalı akciğer kanseri erken tanısında belirsizlik ölçeğinin saptanması
Uncertainty of the quantification in diagnosing lung cancer from ct images using deep learning and discrete wavelet transform
MEHMET AKİF ÇİFÇİ
Doktora
Türkçe
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Aydın ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ZAFER ASLAN