Geri Dön

Bilgisayarlı tomografi'de yapay zekadestekli akciğer nodülü tanı ve izlem sistemi

Başlık çevirisi mevcut değil.

PDF İndir

  1. Tez No: 950691
  2. Yazar: RAİF CAN YAROL
  3. Danışmanlar: PROF. DR. OĞUZ DİCLE
  4. Tez Türü: Tıpta Uzmanlık
  5. Konular: Radyoloji ve Nükleer Tıp, Radiology and Nuclear Medicine
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: Türkçe
  9. Üniversite: Dokuz Eylül Üniversitesi
  10. Enstitü: Tıp Fakültesi
  11. Ana Bilim Dalı: Radyoloji Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 81

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

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

Benzer Tezler

  1. Tez No

    879667

    Bilgisayarlı tomografi (BT) görüntülerinden akciğer kanser hücrelerinin yapay zeka teknikleri ile bulunması

    Detection of lung cancer from computed tomography (CT) scans using artificial intelligence techniques

    MUHİTTİN GENÇ

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolErzincan Binali Yıldırım Üniversitesi

    Yapay Zeka ve Robotik Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ FUNDA AKAR

  2. Tez No

    955631

    Kolesteatomlu ve kolesteatomsuz kronik otitismedia hastalarında bilgisayarlı tomografi (BT) ve manyetik rezonans görüntüleme (MRG) kullanılarak derin öğrenme bazlı yapay zeka desteğiyle değerlendirilmesi ve radyolog bakısıile kıyaslanması

    Deep learning-based differentiation of cholesteatoma and non-cholesteatoma chronic otitis media using CT and MRI: Comparison with radiologists' assessments

    YEŞİM YENER DEMİRKOPARAN

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2025

    Radyoloji ve Nükleer TıpSağlık Bakanlığı

    Radyoloji Ana Bilim Dalı

    PROF. DR. ZEHRA HİLAL ADIBELLİ

    UZMAN AHMET BOZER

  3. Tez No

    716753

    COVID-19 pnömonisinin düşük ve standart doz toraks BT ile tespitinde yapay zekanın tanıya etkisi

    The effect of artificial intelligence on detection of COVID-19 pneumonia with low and standard dose chest ct

    ÖZGE FINDIK ŞENER

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2022

    Radyoloji ve Nükleer TıpSağlık Bilimleri Üniversitesi

    Radyoloji Ana Bilim Dalı

    PROF. DR. HAKKI MUAMMER KARAKAŞ

  4. Tez No

    890174

    Medikal görüntü analizinde gürültü saldırılarına karşı derin öğrenme modellerinin performanslarının karşılaştırılması

    Benchmarking of deep learning models against adversarial attacks in medical image analysis

    GÖKÇE OK

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi Üniversitesi

    Bilgi Güvenliği Mühendisliği Ana Bilim Dalı

    PROF. DR. MURAT DENER

  5. Tez No

    886696

    Classification of knee osteoarthritis severity using deep learning with fully supervised and semi-supervised-based approaches

    Derin öğrenme ile tamamen denetimli ve yarı-denetimli yaklaşım tabanlı diz osteoartrit şiddetinin sınıflandırılması

    İLKNUR AKTEMUR

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. İLKAY ÖKSÜZ

Geri Dön