Geri Dön

Deep learning based prediction of radiotherapy outcomes in patients with brain tumors using mr images

Beyin tümörlü hastalarda uygulanan radyoterapi sonuçlarının mr görüntüsü kullanılarak derin öğrenme tabanlı tahmini

PDF İndir

  1. Tez No: 960892
  2. Yazar: SERHAT ÜNALAN
  3. Danışmanlar: DOÇ. DR. OSMAN GÜNAY
  4. Tez Türü: Yüksek Lisans
  5. Konular: Mühendislik Bilimleri, Nöroloji, Radyasyon Onkolojisi, Engineering Sciences, Neurology, Radiation Oncology
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: İngilizce
  9. Üniversite: Yıldız Teknik Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Biyomedikal Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Biyomedikal Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: 76

Özet

Glioblastoma (GBM), oldukça agresif ve tedaviye dirençli bir beyin tümörüdür. MRG, özellikle radyoterapi sonrası GBM'nin izlenmesinde kritik öneme sahip olsa da, tedaviye yanıt tahmini belirsizdir. RANO kriterleri, tedaviye yanıt değerlendirmesini dört sınıfa standartlaştırmak için geliştirilmiştir, ancak manuel uygulamaları zaman alıcı ve zordur. Bu çalışma, radyoterapi öncesi ve sonrası MRI taramalarını kullanarak GBM tedavi yanıtını otomatik olarak tahmin etmek için bir derin öğrenme çerçevesi önermektedir. RANO yanıtlarını tahmin etmek için kosinüs benzerliği ve L2 normunu kullanan yeni bir vekil etiketleme yöntemi geliştirilmiştir. İkili sınıflandırma, özellikle RANO 1 için doğruluk (%43-90), kesinlik (%40-100), duyarlılık (%13-100) ve F1 puanları (%19-91) elde ederek en yüksek genel performansı gösterdi. Üç sınıflı modeller orta düzeyde sonuçlar üretti (doğruluk: %31-66, kesinlik: %25-93, duyarlılık: %13-91, F1: %14-75), dört sınıflı modeller de benzer sonuçlar elde etti (doğruluk: %45-50, kesinlik: %24-76, duyarlılık: %20-83, F1: %27-75). RANO 1, RANO 3 ve 4 ile benzer doğrulukla en kesin tahminlere sahipken, RANO 2 ayırt edilmesi en zor olan olarak bulundu.

Özet (Çeviri)

Glioblastoma (GBM) is a highly aggressive and treatment-resistant brain tumor. While MRI is crucial for monitoring GBM, especially after radiation, treatment response prediction is obscure. The RANO criteria were developed to standardize treatment response assessment into four classes, but their manual application is time-consuming and challenging. This study proposes a deep learning framework to automatically predict GBM treatment response using pre- and post-radiotherapy MRI scans. A novel proxy labeling method, utilizing cosine similarity and L2 norm, was introduced to estimate RANO responses. Binary classification demonstrated the highest overall performance, achieving accuracy (43–90%), precision (40– 100%), recall (13–100%), and F1-scores (19–91%), especially for RANO 1. Tripleclass models produced moderate outcomes (accuracy: 31–66%, precision: 25–93%, recall: 13–91%, F1: 14–75%), whereas four-class models achieved similar results (accuracy: 45–50%, precision: 24–76%, recall: 20–83%, F1: 27–75%). RANO 1 had the most precise predictions, with similar accuracy for RANO 3 and 4, while RANO 2 was found most challenging to discriminate.

Benzer Tezler

  1. Tez No

    916582

    Glioblastoma hastalarında radyomik özellikler ve klinik verilerin analizi

    Analysis of radiomic features and clinical data in glioblastoma patients

    ECE ATAK

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2025

    Radyasyon OnkolojisiAkdeniz Üniversitesi

    Radyasyon Onkolojisi Ana Bilim Dalı

    DOÇ. DR. TİMUR KOCA

  2. Tez No

    908803

    Automatic semantic segmentation of organs-at-risk and target tumor volume in radiotherapy planning CT images of nasopharyngeal cancer

    Nazofarengeal kanser radyoterapi planlama BT görüntülerinde risk altındaki organların ve hedef tümör hacminin otomatik semantik segmentasyonu

    MURAT YÜCE

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    BiyomühendislikAcıbadem Mehmet Ali Aydınlar Üniversitesi

    Biyomedikal Mühendisliği Ana Bilim Dalı

    ÖĞR. GÖR. SEDA NİLGÜN DUMLU

    DOÇ. DR. SİNEM BURCU ERDOĞAN

  3. Tez No

    961143

    Stereotaktik beyin radyoterapisi uygulanan vakalarda yapay zeka ile yanıt tahminleme

    Prediction of response using artificial intelligence in cases treated with stereotactic brain radiotherapy

    DENİZ KÜTRİ

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2025

    Radyasyon OnkolojisiEskişehir Osmangazi Üniversitesi

    Radyasyon Onkolojisi Ana Bilim Dalı

    PROF. DR. DURMUŞ ETİZ

  4. Tez No

    910663

    Yüksek dereceli gliomlarda tedaviye bağlı gelişen radyonekrozun, nüks ya da rezidü tümöral lezyondan ayrımında bilgisayar temelli yapay zekânın rolü

    The role of computer-based artificial intelligence in distinguishing treatment-related radiation necrosis from recurrent or residual tumoral lesions in high-grade gliomas

    İBRAHİM ALTINDAŞ

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2024

    Radyoloji ve Nükleer TıpSelçuk Üniversitesi

    Radyoloji Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ HALİL ÖZER

  5. Tez No

    672668

    Deep learning based prediction of path loss values and distributions from satellite images

    Uydu görüntülerinden yol kaybı değerlerinin ve dağılımlarının derin öğrenme tabanlı tahmini

    AHMED MOHAMED NAGIB IBRAHIM MAREY AHMED MOHAMED NAGIB IBRAHIM MAREY

    Yüksek Lisans

    İngilizce

    İngilizce

    2021

    Elektrik ve Elektronik Mühendisliğiİstanbul Medipol Üniversitesi

    Elektrik-Elektronik Mühendisliği ve Siber Sistemler Ana Bilim Dalı

    PROF. DR. BAHADIR KÜRŞAT GÜNTÜRK

Geri Dön