Radıomıc analysıs of alzheımer's dısease usıng FDG-pet ımagıng
FGD-pet görüntüleme kullanarak alzheimer hastaliğinin radyomik analizi
- Tez No: 942706
- Danışmanlar: PROF. DR. ALBERT GÜVENİŞ
- Tez Türü: Doktora
- Konular: Biyomühendislik, Nöroloji, Radyoloji ve Nükleer Tıp, Bioengineering, Neurology, Radiology and Nuclear Medicine
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Boğaziçi Üniversitesi
- Enstitü: Biyo-Medikal Mühendislik Enstitüsü
- Ana Bilim Dalı: Biyomedikal Bilimler ve Mühendislik Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 91
Özet
Alzheimer hastalığı (AD), daha gelişmiş ve kişiselleştirilmiş tanı yöntemlerine ihtiyaç duymaktadır. Bu tez, AD'nin tanısı, evrelemesi ve risk değerlendirmesini geliştirmek amacıyla FDG-PET temelli bir radyomik yaklaşıma dayanan bir çerçeve önermektedir. Görüntüden türetilen özelliklerin makine öğrenmesi ile entegrasyonu sayesinde erken, invaziv olmayan ve bireyselleştirilmiş değerlendirme hedeflenmiştir. Tam otomatik bir beyin radyomik platformu geliştirilerek bilişsel olarak CN, MCI ve AD olan bireyler arasında ayrım yapabildik. Hipokampus, entorhinal korteks ve amigdala temel ayırt edici bölgeler olarak öne çıkmıştır. Basitleştirilmiş FDG-PET modelimiz, hipokampus, inferior parietal lobül ve isthmus singulat bölgesinden elde edilen özelliklerle AD'nin kritik bir patolojik göstergesi olan amiloid pozitifliğini %85.3 AUC değeri ile tahmin etmiştir. Platform, AD için önemli bir genetik risk faktörü olan ApoE4 genotipini tahmin etmek amacıyla genişletilmiş ve hipokampus, amigdala, talamus ve pars orbitalis bölgelerinden elde edilen özelliklerle %94.5 AUC başarısı göstermiştir. Ayrıca, hipokampus amigdala bağlantısı araştırılarak Shape Mesh Volume ve GLDM SDLGLE gibi sağlam biyobelirteçler tanımlanmıştır (AUC=0.88). Hipokampal ve amigdalaya ait alt bölgelerin analizi, AD'yi MCI ve CN'den ayıran GLRLM Long Run Emphasis ve GLDM Small Dependence Emphasis gibi erken mikroyapısal ve metabolik değişiklikleri ortaya koymuştur. Elde edilen bulgular, FDG-PET radyomiğini AD'nin tanı, izleme ve risk sınıflandırmasında güvenilir, invaziv olmayan bir görüntüleme biyobelirteci olarak konumlandırmakta; klinik karar destek süreçlerine katkı sağlayarak önleyici ve kişiselleştirilmiş tıp uygulamaları için zemin hazırlamaktadır.
Özet (Çeviri)
Alzheimer's disease (AD) demands more advanced and personalized diagnostic methods. This dissertation proposes a radiomics-driven framework using FDG-PET to enhance the diagnosis, staging, and risk evaluation of AD. By integrating image-derived features and machine learning, we aim to facilitate early, non-invasive, and individualized assessment. We developed a fully automated brain radiomics platform capable of distinguishing between CN, MCI, and AD individuals. The hippocampus, entorhinal cortex, and amygdala emerged as key discriminative regions. Our simplified FDG-PET model achieved an AUC of 0.853 for predicting amyloid positivity, a critical pathological hallmark of AD, using features from the hippocampus, inferior parietal lobule, and isthmus cingulate. The platform was further extended for ApoE4 genotype prediction, achieving an AUC of 0.945 with features extracted from the hippocampus, amygdala, thalamus, and pars orbitalis. We also investigated hippocampus-amygdala connectivity, identifying robust biomarkers such as Shape Mesh Volume and GLDM Small Dependence Low Gray Level Emphasis (AUC = 0.88). Subregional analysis of hippocampal and amygdaloid structures revealed additional radiomic features, including GLRLM Long Run Emphasis and GLDM Small Dependence Emphasis, which differentiate AD from MCI and CN, indicating early microstructural and metabolic changes prior to visible atrophy. Our findings establish FDG-PET radiomics as a reliable, non-invasive imaging biomarker for diagnosing and monitoring AD. The proposed framework enables risk stratification and supports clinical decision-making, paving the way for preventive and personalized AD management.
Benzer Tezler
- Kontrastlı mamografi görüntülerinde benign ve malign meme kitlelerinin radyomik özelliklerinin karşılaştırılması
Comparison of radiomic features of benign and malign breast masses on contrast enhanced mammography images
AYKUT TEYMUR
Tıpta Uzmanlık
Türkçe
2023
Radyoloji ve Nükleer TıpKaradeniz Teknik ÜniversitesiRadyoloji Ana Bilim Dalı
PROF. DR. SİBEL KUL
- Mandibular kondil konik ışınlı bilgisayarlı tomografi görüntülerinin radyomiks analizi ile yaş tayini
Age determination by radiomix analysis of mandibular condylar cone beam computed tomography images
AYTAÇ ÜZEL
Diş Hekimliği Uzmanlık
Türkçe
2024
Diş HekimliğiKocaeli ÜniversitesiAğız, Diş ve Çene Radyolojisi Ana Bilim Dalı
PROF. DR. ENVER ALPER SİNANOĞLU
- Glioblastoma hastalarında radyomik özellikler ve klinik verilerin analizi
Analysis of radiomic features and clinical data in glioblastoma patients
ECE ATAK
Tıpta Uzmanlık
Türkçe
2025
Radyasyon OnkolojisiAkdeniz ÜniversitesiRadyasyon Onkolojisi Ana Bilim Dalı
DOÇ. DR. TİMUR KOCA
- Glial tümörlerde moleküler biyobelirteçleri saptamada makine öğrenmesi ve radyomiksin katkısı
The contribution of machine learning and radiomics in identifying molecular biomarkers in glial tumors
ALİ SAMET TASAK
Tıpta Uzmanlık
Türkçe
2024
Radyoloji ve Nükleer TıpDokuz Eylül ÜniversitesiRadyoloji Ana Bilim Dalı
PROF. DR. EMEL ADA
- Radyomik veri tabanlı prostat kanseri sınıflandırması için ince ayarlı destek vektör makinesi tasarımı
Fine-tuned support vector machine design for radiomic data-based prostate cancer classification
BİLGEN MAÇAL
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya Uygulamalı Bilimler ÜniversitesiElektronik ve Bilgisayar Eğitimi Ana Bilim Dalı
PROF. DR. METİN VARAN
DR. JAHONGIR AZIMJONOV