Geri Dön

Clinically significant prostate cancer detection and diagnosis in bi-parametric mrı

Bi-parametrik mr görüntülerinde klinik olarak önemli prostat kanserinin tespiti ve tanisi

PDF İndir

  1. Tez No: 947612
  2. Yazar: CLINTON BINDA ASOH ITAMBI
  3. Danışmanlar: PROF. DR. SONGÜL VARLI, Dr. MECİT YÜZKAT
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: İngilizce
  9. Üniversite: Yıldız Teknik Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 62

Özet

Klinik olarak anlamlı prostat kanseri (csPCa) tanısı ve tespiti, tıbbi görüntülemede hâlen önemli bir zorluk oluşturmaktadır. Yüksek ilerleme ve metastaz riski taşıyan csPCa'nın erken ve güvenilir şekilde tanımlanması, zamanında müdahale sağlarken yavaş seyirli vakaların aşırı tedavisini önlemek açısından kritik öneme sahiptir. Bi-parametrik manyetik rezonans görüntüleme (bpMRI), prostat kanseri taramasında etkili bir yöntem olarak öne çıkmakta olsa da, csPCa lezyonlarının ince görünümü ve eğitim verilerindeki sınıf dengesizliği, geleneksel derin öğrenme modellerinin performansını sınırlamaktadır. Bu çalışmada, söz konusu zorlukların üstesinden gelmek amacıyla, tıbbi görüntü segmentasyonunda öncü bir mimari olan nnU-Net çerçevesine iyileştirmeler önerilmiştir. Modelin varsayılan soft Dice ve çapraz entropi kaybı kombinasyonu, çapraz entropi ve odaklanmış (focal) kayıp fonksiyonunun hibrit bir versiyonu ile değiştirilmiştir. Bu değişiklik, nadir görülen ancak klinik olarak kritik öneme sahip csPCa lezyonlarına modelin duyarlılığını artırmak amacıyla özel olarak tasarlanmıştır. Eğitim süreci, PI-CAI (Prostate Imaging: Cancer AI) Açık Eğitim veriseti (1.500 vaka) üzerinde gerçekleştirilmiş, değerlendirme ise Görünmeyen Ayar (Hidden Tuning) kohortundaki 100 vaka üzerinde, sağlam bir 5 katlı çapraz doğrulama protokolüyle yürütülmüştür. Önerilen nnU-Net modeli, en güncel U-Net, nnDetection ve temel nnU-Net modellerini geride bırakarak Görünmeyen Ayar kohortunda 0.824 AUROC ve 0.603 Ortalama Kesinlik (AP) skoru elde etmiştir. Lezyon tespiti performansını daha da artırmak adına, Attention-Gated ResUNet, ResUNet++ ve Derin Süpervizyonlu 3D Attention U-Net olmak üzere üç farklı ve birbirini tamamlayıcı modelin birleşiminden oluşan TriSegNet adlı bir topluluk (ensemble) stratejisi geliştirilmiştir. Açık Eğitim kohortunda, bireysel modeller rekabetçi sonuçlar elde etmiş; örneğin, Attention-Gated ResUNet modeli 0.754 AUROC ve 0.694 AP değeri kaydetmiştir. Uygulanan topluluk yöntemleri arasında, ağırlıklı ortalama yaklaşımı en iyi sonucu vermiş; TriSegNet modeli, 0.773 AUROC ve 0.665 AP skorlarıyla, lezyon düzeyindeki tespitte tüm bireysel modellerin performansını aşmıştır. Bu araştırma, mimari çeşitliliğin özel olarak tasarlanmış kayıp fonksiyonlarıyla birleştirilmesinin, bireysel modellerin sınırlamalarını aşmada sağladığı katkıyı ortaya koymaktadır. Ortaya konan topluluk modeli, bpMRI kullanılarak csPCa tespitinde sağlam ve genellenebilir bir yaklaşım sunmakta olup, prostat kanseri için yapay zekâ destekli hassas tanı alanındaki ilerlemelere önemli katkılar sağlamaktadır.

Özet (Çeviri)

Accurate detection and diagnosis of clinically significant prostate cancer (csPCa) remains a pressing challenge in medical imaging. csPCa, which poses a high risk of progression and metastasis, requires early and reliable identification to guide timely intervention while minimizing overtreatment of indolent cases. Bi-parametric magnetic resonance imaging (bpMRI) is now recognized as a viable option for prostate cancer screening, yet the subtle appearance of csPCa lesions and class imbalance in training datasets often limit the performance of conventional deep learning models. To address these challenges, this study proposes enhancements to the nnU-Net framework—a leading architecture for medical image segmentation—by replacing its standard blend of soft Dice loss and cross-entropy loss with a hybrid of cross-entropy and focal loss. This modification was specifically designed to improve the model's sensitivity to underrepresented but clinically critical csPCa lesions. Training was conducted on the PI-CAI (Prostate Imaging: Cancer AI) Public Training dataset (1,500 cases), with evaluation on the Hidden Tuning cohort (100 unseen cases), using a robust 5-fold cross-validation protocol. The proposed nnU-Net outperformed the state-of-the-art nnDetection, U-Net, and baseline nnU-Net models, achieving an Area Under Receiver Operating Characteristic (AUROC) of 0.824 and an Average Precision (AP) of 0.603 on the Hidden Tuning cohort. To further enhance lesion detection performance, an ensemble strategy—TriSegNet—was developed by combining three diverse and complementary models: Attention-Gated ResUNet, ResUNet++, and a 3D Attention U-Net with Deep Supervision. On the Public Training cohort, the individual models achieved competitive results, with the Attention-Gated ResUNet recording an AUROC of 0.754 and an AP of 0.694. Among the ensemble methods explored, weighted averaging delivered the best results, with TriSegNet achieving an AUROC of 0.773 and an AP of 0.665—exceeding the performance of all constituent models in lesion-level detection. This research demonstrates the value of combining architectural diversity with tailored loss functions to address the limitations of individual models. The resulting ensemble models offer a robust, generalizable approach to csPCa detection using bpMRI, contributing to ongoing advancements in AI-driven precision diagnostics for prostate cancer.

Benzer Tezler

  1. Tez No

    536798

    Prostat kanseri tanısında biparametrik prostat MR sonrası algısal hedefli prostat biyopsinin etkinliğinin değerlendirilmesi

    Evaluation the efficacy of cognitive-targeted prostate biopsy after biparametric prostate MRI in the diagnosis of prostate cancer

    NUR BETÜL ÜNAL ÖZDEMİR

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2018

    Radyoloji ve Nükleer TıpMaltepe Üniversitesi

    Radyoloji Ana Bilim Dalı

    PROF. DR. RAHMİ ÇUBUK

  2. Tez No

    949314

    Trus eşliğinde MRG füzyon prostat biyopsi: Klinik deneyimimiz

    Trus-guided MRI fusion prostate biopsy: Our clinical experience

    HASAN DOĞRU

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2025

    Radyoloji ve Nükleer TıpÇukurova Üniversitesi

    Radyoloji Ana Bilim Dalı

    DOÇ. DR. FERHAT CAN PİŞKİN

  3. Tez No

    932897

    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

    MUHAMMED KAYA

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2025

    Radyoloji ve Nükleer TıpRecep Tayyip Erdoğan Üniversitesi

    Radyoloji Ana Bilim Dalı

    DOÇ. DR. GÜLEN BURAKGAZİ

  4. Tez No

    966481

    Prostat kanseri taramasında kişiselleştirilmiş biparametrik manyetik rezonans görüntülemenin prostat kanseri tespitindeki faydası ve maliyet etkinliğinin değerlendirilmesi

    The benefit of personalized MRI in prostate cancerdetection and cost-effectiveness compared to multiparametricmri in prostate cancer screening

    İSMAİL ÖZGÜL

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2025

    Radyoloji ve Nükleer TıpAkdeniz Üniversitesi

    Radyoloji Ana Bilim Dalı

    PROF. DR. SÜLEYMAN METİN ÇUBUK

  5. Tez No

    944566

    Multiparametrik MRG'de klinik anlamlı prostat kanseri tespitinde yapay zeka destekli karar-destek sistemi

    Artificial intelligence-assisted decision-support system forclinically significant prostate cancer detection in multiparametric MRI

    İCLAL ELİF ÖZDEMİR

    Yüksek Lisans

    Türkçe

    Türkçe

    2025

    Elektrik ve Elektronik MühendisliğiMersin Üniversitesi

    Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. EVREN DEĞİRMENCİ

Geri Dön