Bilgisayarlı tomografi'de yapay zekadestekli akciğer nodülü tanı ve izlem sistemi
Başlık çevirisi mevcut değil.
- Tez No: 950691
- Danışmanlar: PROF. DR. OĞUZ DİCLE
- Tez Türü: Tıpta Uzmanlık
- Konular: Radyoloji ve Nükleer Tıp, Radiology and Nuclear Medicine
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Dokuz Eylül Üniversitesi
- Enstitü: Tıp Fakültesi
- Ana Bilim Dalı: Radyoloji Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bilgisayarlı Tomografide Yapay Zeka Destekli Akciğer nodülü tanı ve izlem sistemi Amaç Pulmoner nodüller ; akciğer parankimi içerisinde yerleşim gösteren, boyutu üç cm'den küçük lezyonlardır. Günümüzde artan teknolojik gelişmeler ve görüntüleme yöntemlerinin daha sık kullanılması ile birlikte rastlantısal olarak saptanan nodül sayısında belirgin bir artış yaşanmıştır . Çeşitli tarama çalışmalarında bilgisayarlı tomografide (BT) pulmoner nodül saptanma oranı %17-51 arasında bildirilmiştir. Araştırmamızda, derin öğrenme temelli yapay zeka yöntemleri kullanılarak; Toraks BT görüntülerinde, nodüllerin tespiti, izlemi ve tanısal değerlendirmesinde radyoloğun kullanabileceği bir karar destek sistemi geliştirilmesi hedeflenmiştir. Bu sistem ile, pek çok hastalığın sonucu olarak akciğerde oluşan ve iyi ya da kötü huylu olabilen nodüllerin otomatik olarak tespit edilmesi amaçlanmaktadır. Gereç ve Yöntem Dokuz Eylül Üniversitesi Hastanesine Ocak 2022-Aralık 2023 tarihleri arasında başvuran, Toraks BT incelemesinde nodülü bulunan hastalar retrospektif olarak taranmıştır ve 205 hastaya ait 2152 nodüllük veri seti oluşturulmuştur. Nodül işaretlemelerine ek olarak test kümesindeki nodüllerin konum (intrapulmoner, subplevral, perivasküler vs) ve dansite (solid, semisolid, buzlu cam) bilgileri de analizlerde kullanılmak üzere kaydedilmiştir. Veri seti eğitim ve test kümesi şeklinde ayrıştırılmıştır. Akciğer segmentasyonu ve akciğer loblarının segmentasyonu için 2D U-Net tabanlı bir model kullanılmıştır. Damar ağacının işaretlenmesi için eşikleme yöntemi kullanılmıştır. Nodül tespit ve segmentasyonu için 3D U-Net modeli kullanılmıştır. Modelin test setindeki performansi duyarlılık, özgüllük ve F1 skoru ile değerlendirilmiştir. Yalancı pozitifliğe ve yalancı negatifliğe neden olan sebepler retrospektif olarak incelenmiştir. Bulgular Çalışmamızda geliştirilen modelin duyarlılığı 0,979, özgüllüğü 0,774 ve F1 skoru 0,864'tür. Altı mm eşik belirlendiğinde; 6 mm'den büyük nodüllerde modelin duyarlılığı %92.6, kesinligi %74,3 ve F1 skoru 0.824 olarak ölçülmüştür. Altı mm'den küçük nodüllerde modelin duyarlılığı %98,8 kesinligi %77,9 ve F1 skoru 0.871 olarak ölçülmüştür. Yalancı pozitifliğin en sık nedeni (%48,8) subplevral fibrotik çekintiler olarak bulunmuştur. Yalancı negatiflere yönelik yapılan analizde nodül dansitesi ile modelin yanlış negatif sonuç vermesi arasında istatistiksel olarak anlamlı fark izlenmiştir (p<0.001). Pulmoner nodül yerleşimi ile modelin yanlış negatif sonuç vermesi arasında istatistiksel olarak anlamlı fark izlenmemiştir. Sonuç Pulmoner nodüllerin tespiti, akciğer kanserinin erken evrede saptanması açısından hayati öneme sahiptir. Son yıllarda derin öğrenme temelli modellerin pulmoner nodül tespit ve segmentasyonunda kullanılmasına yönelik çalışmalar hız kazanmıştır. Derin öğrenme modellerinin pratikte kullanımı ile birlikte yanlış veya eksik tanıların azalacağı öngörülmektedir. Bu tez çalışmasında; 3D-U Net mimarisi kullanarak, pulmoner nodül tespit ve segmentasyonu gerçekleştiren derin öğrenme tabanlı bir model oluşturulmuştur. Geliştirilen model, Toraks BT görüntülerinde nodül tespit ve segmentasyonu amacıyla klinik kullanıma alınmıştır. Günlük klinik uygulamalardan elde edilen geri bildirimler doğrultusunda modelin geliştirilmesine devam edilmesi planlanmaktadır.
Özet (Çeviri)
Aim Pulmonary nodules are lesions located within the lung parenchyma with a diameter of less than three centimeters. With advances in technology and the increasing use of imaging modalities, the number of incidentally detected nodules has significantly increased. In various screening studies, the detection rate of pulmonary nodules on computed tomography (CT) has been reported to range between 17% and 51%. This study aimed to develop a deep learning-based decision support system to assist radiologists in the detection, follow-up, and diagnostic evaluation of nodules on thorax CT images. The proposed system is designed to automatically detect nodules, which may be either benign or malignant and associated with various pathological conditions, thereby enhancing diagnostic accuracy and supporting clinical decision making. Materials and Methods Patients who underwent thorax CT and had at least one pulmonary nodule between January 2022 and December 2023 at Dokuz Eylül University Hospital were retrospectively screened. A dataset consisting of 2,152 nodules from 205 patients was compiled. In addition to nodule annotations, the location (intrapulmonary, subpleural, perivascular, etc.) and density (solid, semisolid, ground-glass) of each test nodule were recorded for analysis. The dataset was divided into training and testing subsets. A 2D U-Net-based model was employed for lung and lobar segmentation. Vessel structures were labeled using a thresholding method. A 3D U-Net model was utilized for nodule detection and segmentation. The model's performance on the test set was evaluated using sensitivity, specificity, and F1-score. Causes of false positives and false negatives were retrospectively analyzed. Results The model developed in this study achieved a sensitivity of 0.979, specificity of 0.774, and F1-score of 0.864. When a 6 mm threshold was applied, the model's sensitivity for nodules larger than 6 mm was 92.6%, precision was 74.3%, and F1-score was 0.824. For nodules smaller than 6 mm, the sensitivity was 98.8%, precision was 77.9%, and F1-score was 0.871. The most common cause of false positives (48.8%) was found to be subpleural fibrotic strands. In the analysis of false negatives, there was a statistically significant association between nodule density and false-negative predictions by the model (p<0.001). No statistically significant relationship was found between nodule location and false-negative results. Conclusion The detection of pulmonary nodules is critical for the early diagnosis of lung cancer. In recent years, there has been growing interest in using deep learning models for pulmonary nodule detection and segmentation. The clinical implementation of such models is expected to reduce diagnostic errors and omissions. In this thesis, a deep learning-based model using a 3D U-Net architecture was developed to detect and segment pulmonary nodules. The model has been deployed for clinical use in thoracic CT evaluations. Ongoing refinements are planned based on feedback from daily clinical practice.
Benzer Tezler
- Diesel motorları yakıt püskürtme sistemlerinin dinamik simülasyonu
Başlık çevirisi yok
İRFAN KARAGÖZ
Yüksek Lisans
Türkçe
1986
Makine MühendisliğiUludağ ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
PROF. DR. OĞUZ BORAT
- Ağızlık açma mekanizmalarının tasarımı
Başlık çevirisi yok
RECEP EREN
Yüksek Lisans
Türkçe
1987
Tekstil ve Tekstil MühendisliğiUludağ ÜniversitesiTekstil Mühendisliği Ana Bilim Dalı
DOÇ. DR. HALİL R. ALPAY
- Doğuştan kalça çıkıklı hastalarda kalça patolojilerinin bilgisayarlı tomografi ile değerlendirilmesi
Başlık çevirisi yok
NECDET ŞÜKRÜ ALTUN
Tıpta Uzmanlık
Türkçe
1987
Ortopedi ve TravmatolojiGazi ÜniversitesiOrtopedi ve Travmatoloji Ana Bilim Dalı
PROF.DR. ORHAN ASLANOĞLU
- Kuyruk modelleri ve analizi üzerine bir uygulama
Başlık çevirisi yok
DİDEM ÖZPULAT
Yüksek Lisans
Türkçe
1985
İstatistikEge ÜniversitesiBilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı
DOÇ. DR. FİKRET İKİZ
- Landsat uydusu aracılığı ile elde edilen görüntülerin sınıflandırılmaları ve bunlara ilişkin bilgisayar programlarının hazırlanması
Başlık çevirisi yok
G. FERZAN KÜÇÜKA
Yüksek Lisans
Türkçe
1985
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolEge ÜniversitesiBilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı
DOÇ. DR. HALİS PÜSKÜLCÜ