Geri Dön

Generative-AI kullanarak beyin metastazında sentetik post-kontrast MRG: Kontrast iyileştirme için bir GAN çerçevesi

Synthetic post-contrast MRI in brain metastases using generative AI: A GAN framework for contrast enhancement

PDF İndir

  1. Tez No: 960577
  2. Yazar: MERVE SOLAK
  3. Danışmanlar: PROF. DR. FATMA BEYAZAL ÇELİKER
  4. Tez Türü: Tıpta Uzmanlık
  5. Konular: Radyoloji ve Nükleer Tıp, Radiology and Nuclear Medicine
  6. Anahtar Kelimeler: Beyin metastazı, Manyetik rezonans görüntüleme (MRG), Sentetik kontrastlı MRG, Generative Adversarial Network (GAN), Brain metastases, Magnetic resonance imaging (MRI), Synthetic contrastenhanced MRI, Generative Adversarial Network (GAN)
  7. Yıl: 2025
  8. Dil: Türkçe
  9. Üniversite: Sağlık Bakanlığı
  10. Enstitü: Recep Tayyip Erdoğan Üniversitesi Eğitim ve Araştırma Hastanesi
  11. Ana Bilim Dalı: Radyoloji Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 70

Özet

Giriş ve Amaç: Beyin metastazları (BM) tenı ve takipte kontrastlı manyetik rezonans görüntüleme (CE-MRI) vazgeçilmez bir yöntemdir. Ancak, gadolinyum bazlı kontrast maddelerinin (GBCA) potansiyel yan etkiler ve güvenlik endişeleri, alternatif yöntemleri zorunlu kılmıştır. Çalışmamızda generative adversarial network (GAN) tabanlı yapay zeka modelleri kullanılarak sentetik kontrast görüntülerin oluşturulması hedeflenmiştir. Gereç ve Yöntem: Bu retrospektif çalışmada, Ocak 2023-Nisan 2025 tarihleri arasında 3.0 Tesla (GE Discovery MR750w) cihazıyla elde edilen beyin MRI görüntüleri kullanılmıştır. Çalışmaya, beyin metastazı tanısıyla takip edilen, 18 yaş ve üzeri, yalnızca intraparenkimal metastatik lezyona sahip 183 hasta (T1: 83, T2: 100 hasta) dahil edilmiştir. T1, kontrastlı T1, T2 ve kontrastlı FLAIR sekanslarına ait toplamda T1 için 16.250, T2 için 2.810 kontrastlı ve kontrastsız görüntü veri setine eklenmiştir. CE-MRI üretiminde semantik etiketleme yerine örnek sınır haritaları kullanılarak dört GAN modeli (Pix2PixHD, CycleGAN, C-CycleGAN, Conditional GAN) uygulanmıştır. Veriler %70 eğitim, %20 doğrulama ve %10 test olarak ayrılmıştır. Eğitim sürecinde jeneratörün gerçeklik düzeyi G_GAN, görsel kalite ise VGG tabanlı algısal kayıp (G_VGG) ile değerlendirilmiştir. Modellerin çıktıları, ortalama karesel hata (MSE), yapısal benzerlik indeksi (SSIM), tepe sinyal-gürültü oranı (PSNR) ve kök ortalama karesel hata (RMSE) gibi kantitatif metriklerle analiz edilmiştir Bulgular: T1 ve T2 veri setlerinde G_GAN kayıpları genel olarak azalmış, T2'de kısa süreli dalgalanma gözlenmiştir. G_VGG kayıpları T2'de T1'e kıyasla daha düşük ve düzenli azalmıştır. T1 ve T2 VGG kayıpları arasında yüksek korelasyon (0.90) bulunmuştur. T1'de en yüksek kantitatif başarı Pix2PixHD modelinde (MSE: 0.012, SSIM: 0.801, PSNR: 26.3 dB, RMSE: 0.097), en düşük performans CGAN modelinde (MSE: 0.034, SSIM: 0.664, PSNR: 21.7 dB, RMSE: 0.141) elde edilmiştir. T2'de de en iyi sonuçlar Pix2PixHD'den (MSE: 0.009, SSIM: 0.826, PSNR: 27.9 dB, RMSE: 0.083), en düşük CGAN'dan (MSE: 0.026, SSIM: 0.691, PSNR: 22.4 dB, RMSE: 0.128) alınmıştır. Niteliksel değerlendirmede, ortalama doğruluk %61.4, gözlemciler arası uyum ise orta derecede bulunmuştur. Bir ay sonraki tekrarlanan testte ortalama doğruluk %60 bulunmuştur. Sonuç: Çalışmamızda, dört farklı GAN modeliyle beyin metastazı olan hastalarda kontrast madde kullanılmaksızın sentetik kontrastlı T1 ve FLAIR görüntüler üretildi. Görsellerin tanısal doğruluğu görsel Turing testiyle doğrulandı. Bulgular, yapay zeka tabanlı bu yöntemin yüksek kaliteli görüntüler sağlayarak kontrast madde ihtiyacını azaltabileceğini ve klinik uygulamalarda kullanılabilirliğini ortaya koymaktadır.

Özet (Çeviri)

Introductıon And Objektives: Contrast-enhanced magnetic resonance imaging (CE-MRI) is an indispensable tool for the diagnosis and follow-up of brain metastases (BM). However, potential side effects and safety concerns associated with gadolinium-based contrast agents (GBCA) have necessitated the development of alternative approaches. This study aimed to generate synthetic contrast images using generative adversarial network (GAN)-based artificial intelligence models. Materials and Methods: In this retrospective study, brain MRI obtained with a 3.0 Tesla (GE Discovery MR750w) scanner between January 2023 and April 2025 were analyzed. A total of 183 patients aged 18 years and older, diagnosed with brain metastases and presenting exclusively intraparenchymal metastatic lesions (T1: 83, T2: 100), were included. The dataset consisted of 16,250 T1-weighted and 2,810 T2-weighted contrast and non-contrast images. For CE-MRI synthesis, four GAN models (Pix2PixHD, CycleGAN, C-CycleGAN, and Conditional GAN) were applied using sample boundary maps instead of semantic labeling. The data were split into 70% training, 20% validation, and 10% testing sets. During training, the generator's realism was assessed by adversarial loss (G_GAN), and visual quality was evaluated by a VGGbased perceptual loss (G_VGG). Model outputs were quantitatively analyzed using mean squared error (MSE), structural similarity index (SSIM), peak signal-to-noise ratio (PSNR), and root mean squared error (RMSE). Qualitative evaluation was conducted via a visual Turing test by a team of experts. Results: G_GAN losses generally decreased in both T1 and T2 datasets, with transient fluctuations observed in T2. G_VGG losses were lower and showed a more consistent decline in T2 compared to T1. A high correlation (0.90) was observed between T1 and T2 VGG losses,.The highest quantitative performance in T1 sequences was achieved by the Pix2PixHD model (MSE: 0.012, SSIM: 0.801, PSNR: 26.3 dB, RMSE: 0.097), and the lowest by the CGAN model (MSE: 0.034, SSIM: 0.664, PSNR: 21.7 dB, RMSE: 0.141). Similarly, for T2 sequences, Pix2PixHD demonstrated the best results (MSE: 0.009, SSIM: 0.826, PSNR: 27.9 dB, RMSE: 0.083), with CGAN showing the poorest performance (MSE: 0.026, SSIM: 0.691, PSNR: 22.4 dB, RMSE: 0.128). Qualitative assessment showed an average accuracy of 61.4%, with moderate interobserver agreement. The repeated test after one month yielded an average accuracy of 60%. Conclusion: This study generated synthetic contrast enhanced T1 and FLAIR images in patients with brain metastases using four different GAN models without administering contrast agents. Diagnostic accuracy was confirmed through a visual Turing test.

Benzer Tezler

  1. Tez No

    923400

    Identification of genetic mutations in brain tumors using perfusion-weighted mri and deep learning

    Perfüzyon ağırlıklı MR ve derin öğrenme kullanarak beyin tümörlerindeki genetik mutasyonların tanımlanması

    BUSE BUZ YALUĞ

    Doktora

    İngilizce

    İngilizce

    2024

    BiyomühendislikBoğaziçi Üniversitesi

    Biyomedikal Mühendisliği Ana Bilim Dalı

    PROF. DR. ESİN ÖZTÜRK IŞIK

  2. Tez No

    906421

    Glio-SERS: Artificial intelligence and surface enhanced raman spectroscopy driven liquid biopsy method for brain tumor classification

    Glio-SERS: Beyin tümörlerinin sınıflandırılması için yapay zeka ve yüzey güçlendirilmiş raman spektroskopisi tabanlı sıvı biyopsi yöntemi

    HÜLYA TORUN

    Doktora

    İngilizce

    İngilizce

    2024

    BiyomühendislikKoç Üniversitesi

    Biyomedikal Bilimler ve Mühendislik Ana Bilim Dalı

    PROF. DR. İHSAN SOLAROĞLU

    PROF. DR. UTKAN DEMİRCİ

  3. Tez No

    817952

    A new approach to increase variability and playability via game blending

    Oyun harmanlama yoluyla çeşitliliği ve oynanabilirliği geliştirmek için yeni bir yaklaşım

    ÖMER FARUK KARAKAYA

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik Üniversitesi

    Bilişim Sistemleri Ana Bilim Dalı

    DOÇ. DR. ELİF SÜRER

    DOÇ. DR. AYSU BETİN CAN

  4. Tez No

    637657

    Short term load forecasting by using artificial neural networks

    Yapay sinir ağları kullanılarak kısa dönemli yük tahmini

    ALI GHADIRIASL NOBARI

    Yüksek Lisans

    İngilizce

    İngilizce

    2020

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektrik Mühendisliği Ana Bilim Dalı

    PROF. DR. BELGİN TÜRKAY

  5. Tez No

    942068

    Mitolojik mekânların günümüz teknolojileri kullanılarak görselleştirilmesi ve kültür-mekân anlayışının incelenmesi

    Visualization of myhtological places using today's technologies and examining the understanding of culture-place

    SETENAY ÖZER

    Yüksek Lisans

    Türkçe

    Türkçe

    2025

    İç Mimari ve DekorasyonMimar Sinan Güzel Sanatlar Üniversitesi

    İç Mimarlık Ana Bilim Dalı

    DOÇ. İSMAİL EMRE KAVUT

Geri Dön