Clear cell ve non-clear cell renal hücreli karsinomların bilgisayarlı tomografi radyomiks özellikler ile makine öğrenimi yöntemleri kullanılarak ayırt edilmesi
Discrimination of clear cell and non-clear cell renal cell carcinomas using computerized tomography radiomics features and machine learning methods
- Tez No: 954927
- Danışmanlar: PROF. DR. BİLGİN KADRİ ARIBAŞ
- Tez Türü: Tıpta Uzmanlık
- Konular: Radyoloji ve Nükleer Tıp, Radiology and Nuclear Medicine
- Anahtar Kelimeler: Renal Hücreli Karsinom, Bilgisayarlı Tomografi, Radyomiks Analizi, Makine Öğrenimi, Renal Cell Carcinoma, Computed Tomography, Radiomics Analysis, Machine Learning
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Zonguldak Bülent Ecevit Üniversitesi
- Enstitü: Tıp Fakültesi
- Ana Bilim Dalı: Radyoloji Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 90
Özet
ÖZET Mert Can ÖZMAN, Clear Cell ve Non-Clear Cell Renal Hücreli Karsinomların Bilgisayarlı Tomografi Radyomiks Özellikler ile Makine Öğrenimi Yöntemleri Kullanılarak Ayırt Edilmesi, Zonguldak Bülent Ecevit Üniversitesi Tıp Fakültesi, Radyoloji Anabilim Dalı, Tıpta Uzmanlık Tezi, Zonguldak 2025. Amaç: Çalışmamızın amacı, renal hücreli karsinom tanısı almış hastalarda, tanı öncesi BT görüntülerinde tespit edilen lezyonların radyomiks analizini yaparak, özniteliklerin elde edilmesi ve makine öğrenimi algoritmaları kullanılarak clear cell renal hücreli karsinom ve non-clear cell renal hücreli karsinomların ayırt edilmesini sağlayacak özellikleri incelemek olarak belirlenmiştir. Gereç ve Yöntem: Zonguldak Bülent Ecevit Üniversitesi Tıp Fakültesi Hastanesi'nde 2012-2023 yılları arasında, Renal Hücreli Karsinom tanısı alan ve tanı öncesi Bilgisayarlı Tomografi tetkiki bulunan hastalar, hastane bilgi sistemi kayıtlarından retrospektif olarak tarandı. Bilgisayarlı Tomografi görüntüleri radyomiks inceleme açısından uygun kalite ve parametrelerde olan 70 olgu çalışmaya dahil edildi. Olguların histopatolojik incelemeleri patoloji raporlarından alınarak kayıt edildi. Sonrasında, hastaların görüntüleri hastane PACS (Picture Archiving and Communication System) sisteminden alınarak kayıt edildi. Radyolojik bulguları değerlendirildi ve istatistiksel analiz amacıyla toplandı. Eş zamanlı olarak, radyomiks inceleme ve özniteliklerin elde edilmesi amacıyla lezyonlara manuel olarak 3D volumetrik segmentasyon uygulandı. Ardından radyolojik bulgular, lezyonların histopatolojik alt tiplerine göre karşılaştırılarak değerlendirildi. Segmentasyon sonrası elde edilen öznitelikler şekil, histogram ve tekstür özellikleri olarak kategorize edilerek listelendi. LASSO (Least Absolute Shrinkage and Selection Operator), PSO (Particle Swarm Optimizastion), WT (Wavelet Transformasyon) gibi yöntemlerle özniteliklerin sayısı ve boyutu indirgendi. Ardından uygun özniteliklere, 34 farklı makine öğrenimi algoritmasıyla modelleme işlemi gerçekleştirildi. Yüksek performans gösteren algoritmalar tespit edilerek, 10-fold cross validasyon yöntemi ile test edildi, performans metrikleri hesaplanıp konfüzyon matrisleri, ROC (Receiver Operating Characteristic) eğrileri ve AUC (Area Under the Curve) değerleri ile görselleştirildi. Yüksek performans gösteren algoritmalar kendi aralarında karşılaştırıldı. Bulgular: Elde edilen tıbbi görüntülere uygulanan segmentasyon ile, görüntü ön işleme basamaklarından sonra 863 adet öznitelik elde edildi. Öznitelik sayı ve boyut indirgeme işlemlerinden sonra, k-NN (k-Nearest Neighbors) %68,57 doğruluk ve 0,6498 AUC değeriyle, lineer SVM (Support Vector Machines) %74,29 doğruluk ve 0,7982 AUC değeriyle, LDA (Lineer Diskriminant Analiz) %82,86 doğruluk ve 0,8311 AUC değeriyle, LR (Lojistik Regresyon) %71,43 doğruluk ve 0,5796 AUC değeriyle, Bagged Trees %77,1 doğruluk ve 0,7378 AUC değeriyle performans gösterdi. Sonuç: Çalışma sonucunda renal hücreli karsinomlarda clear cell ve non-clear cell alt tiplerini ayırt etmede radyomiks tabanlı makine öğrenimi yöntemlerinin değişen oranlarda yüksek performans gösterdiği tespit edilmiştir.
Özet (Çeviri)
ABSTRACT Mert Can ÖZMAN, Discrimination of Clear Cell and Non-Clear Cell Renal Cell Carcinomas Using Computerized Tomography Radiomics Features and Machine Learning Methods, Zonguldak Bülent Ecevit University Faculty of Medicine, Department of Radiology, Department of Radiology, Zonguldak 2025. Objective: This study aimed to perform radiomics analysis on lesions detected in pre-operative CT images of patients diagnosed with Renal Cell Carcinoma (RCC), to extract features, and to investigate characteristics that differentiate Clear Cell Renal Cell Carcinoma (ccRCC) from non-Clear Cell Renal Cell Carcinoma (non-ccRCC) using machine learning algorithms. Materials and Methods: Patients diagnosed with RCC between 2012 and 2023 at Zonguldak Bülent Ecevit University Faculty of Medicine Hospital, who had CT scans, were retrospectively reviewed through the Hospital Information System A total of 70 cases with CT images of suitable quality and parameters for radiomics analysis were included. Histopathological findings were recorded from pathology reports, and CT images were retrieved from the hospital's PACS (Picture Archiving and Communication System). Radiological findings were assessed and collected for statistical analysis. Manual 3D volumetric segmentation was performed to extract features from the lesions. Radiological findings were compared based on histological subtypes. Extracted features were categorized into shape, histogram, and texture characteristics. Feature selection and dimensionality reduction were conducted using methods such as LASSO (Least Absolute Shrinkage and Selection Operator), PSO (Particle Swarm Optimization), and WT (Wavelet Transformation). Subsequently, 34 different machine learning algorithms were used for modeling. High-performing algorithms were identified, tested using 10-fold cross-validation, and evaluated with performance metrics, confusion matrices, ROC curves and AUC values. The results of the high-performing algorithms were compared and documented. Results: Following segmentation and image preprocessing, 863 features were extracted. After feature selection and dimensionality reduction processes, it was observed that Support Vector Machines (SVM), Linear Discriminant Analysis (LDA), Bagged Trees, Logistic Regression (LR), and k-Nearest Neighbors (k-NN) algorithms performed more successfully in classifying Clear Cell and Non-Clear Cell Renal Cell Carcinomas based on different performance parameters. The k-NN algorithm achieved an accuracy of 68.57% with an AUC of 0.6498, linear SVM achieved 74.29% accuracy with an AUC of 0.7982, LDA achieved 82.86% accuracy with an AUC of 0.8311, LR achieved 71.43% accuracy with an AUC of 0.5796, and Bagged Trees achieved 77.1% accuracy with an AUC of 0.7378. Conclusion: The study results indicate that radiomics-based machine learning methods demonstrated varying degrees of high performance in distinguishing between clear cell and non-clear cell subtypes of renal cell carcinoma.
Benzer Tezler
- Çok kesitli BT'de trifazik protokol yöntemiyle renal hücreli karsinomaların subtiplerinin belirlenmesinde kontrastlanma özellikleri ve evreleme bulgularının rolü
Differentiation of subtypes and staging of renal cell carcinomas with multislice BT using trifazik protocol
ERSEN ERTEKİN
Tıpta Uzmanlık
Türkçe
2009
Radyoloji ve Nükleer TıpSelçuk ÜniversitesiRadyodiagnostik Ana Bilim Dalı
PROF. DR. SAİM AÇIKGÖZOĞLU
- Solid böbrek tümörlerinde dinamik BT'nin malign ve benign ayrımındaki yeri ve bulguların patoloji ile korelasyonu
Role of multi-detektor computed tomografy in the differation malign-benign solid neoplastik renal mass: Correlating with histopatholojical finding
LEYLA SEVİM
Tıpta Uzmanlık
Türkçe
2016
Radyoloji ve Nükleer TıpDicle ÜniversitesiRadyodiagnostik Ana Bilim Dalı
PROF. DR. ASLAN BİLİCİ
- Alk rearanjmanı gösteren renal hücreli karsinom: Histomorfolojik ve epidemiyolojik değerlendirme
Başlık çevirisi yok
KUTSAL DOĞAN
Tıpta Uzmanlık
Türkçe
2021
PatolojiSağlık Bilimleri ÜniversitesiPatoloji Ana Bilim Dalı
DOÇ. DR. EVRİM ÖNDER
- Renal kortikal karsinomların patogenezinde MMR protein kayıplarının rolünün immunohistokimyasal olarak araştırılması
Evaluation of the role of MMR protein loss by immunohistochemistry in the pathogenesis of renal cortical carcinomas
MÜZEYYEN ZEYNEB TUNCA
- Clear cell renal hücreli karsinom ile non-clear cell renal hücreli karsinom ayrımında multiparametrik MRI bulgularının değerlendirilmesi
Evaluation of multiparametric MRI findings in distinguishing clear cell renal cell carcinoma and non-clear cell renal cell carcinoma
BÜŞRA SARIAY
Tıpta Uzmanlık
Türkçe
2023
Radyoloji ve Nükleer TıpEskişehir Osmangazi ÜniversitesiRadyoloji Ana Bilim Dalı
DOÇ. DR. ELİF GÜNDOĞDU