İdiopatik pulmoner fibrozisli hastalarda yüksek çözünürlüklü bilgisayarlı tomografideki bal peteği paterninin derin öğrenme modeli you only look once (YOLO) ile tanınması
Recognition of honeycomb pattern in high-resolution computed tomography in patients with idiopathic pulmonary fibrosis using the deep learning model you only look once (YOLO)
- Tez No: 967373
- Danışmanlar: PROF. DR. HÜLYA GÜNBATAR
- Tez Türü: Tıpta Uzmanlık
- Konular: Göğüs Hastalıkları, Chest Diseases
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Van Yüzüncü Yıl Üniversitesi
- Enstitü: Tıp Fakültesi
- Ana Bilim Dalı: Göğüs Hastalıkları Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 70
Özet
Amaç: Tıpta hastalık tanısı, prognozu ve tedavi planlanması için tıbbi görüntüleme giderek daha önemli hala gelmektedir. Yüksek rezolüsyonlu bilgisayarlı tomografi (YRBT) kullanılarak idiopatik pulmoner fibrozisin tanısı zor bir iştir ve deneyimli radyologlarda bile gözlemciler arası yüksek değişkenlik gösterebilir. Derin öğrenme klinik karar vermeye yardımcı olmak için yüksek boyutlu görüntüleme özelliklerini ölçen ve çıkaran niceliksel bir yaklaşımdır. Tıbbi görüntülemeleri kullanarak birçok hastalığın teşhis, tedavi ve takibinde kullanılma konusunda büyük bir potansiyele sahip olduğunu göstermektedir. İdiyopatik pulmoner fibrozis (İPF) mortalitesi yüksek bir hastalık olup hastalığa tanı konulmasında hala bazı zorluklar yaşanmaktadır. Çalışmamızda YRBT' de izlenen bal peteği paterninin derin öğrenme yöntemi olan You Only Look Once (YOLO) ile erken bir şekilde tanınıp, tanı konulmasında yardımcı olması amaçlanmıştır. Hastalar ve Yöntem: Çalışmamızda 66 hastamıza ait içerisinde bal peteği görüntülerini içeren 132 adet kesitsel YRBT görüntüleri kullanıldı. Nesne algılama, sınıflandırma ve segmentasyon için görüntüleri etiketlemede kullanılmak üzere tasarlanmış web tabanlı bir platform olan Roboflow' da görüntülere bal peteği etiketlendirilmesi yapıldı. Etiketlenen YRBT görüntülerindeki bal peteği paterni, derin öğrenme modeli olan You Only Look Once-V9' a (YOLO-V9) tanıtıldı. 132 adet kesitsel YRBT görüntülerinin; 92 tanesi (%70) eğitim seti verileri, 26 tanesi (%20) doğrulama seti verileri ve 14 tanesi (%10) de test seti verileri olarak kullanıldı. Görüntüler üzerinde 100 iterasyon (döngü-epoch) çalışıldı. YOLO modeline etiketleyip verdiğimiz eğitim seti verilerinde modelin önce bal peteği paternini tanıması sağlandı. Doğrulama seti verileriyle YOLO modeli, oluşturduğu program sayesinde gerçekte olan bal peteği görüntüleri ile modelin işaretlediği bal peteği görüntülerinin karşılaştırmasını yaptı. Daha sonra test seti verileri ile de YOLO modeli hiç görmediği görüntülerin üzerinde bal peteği olma olasılığı tahmininde bulundu. Bulgular: Eğitim seti verileri üzerinde kayıpların genel olarak düşük ve istikrarlı olduğu görülmektedir. Özellikle, box_loss ve dfl_loss ortalamaları 1.2 civarında gözlemlenmiştir. Doğrulama seti verileri üzerinde kayıplar da benzer şekilde 1.7 civarında olup modelin doğrulama verisi üzerindeki performansının eğitim verisine benzer olduğunu göstermektedir. Kayıp oranları düşük seviyede izlenmekte bu da modelin eğitim sürecinde adım adım optimize edildiğini göstermektedir. Precision ortalaması 0.538, recall ortalama ise 0.483 olarak hesaplanmış olup bu değerler, modelin makul bir doğrulukla nesneleri tespit ettiğini göstermektedir. mAP_0.5 ortalaması 0.469 ve mAP_0.5:0.95 ortalaması 0.246 olarak hesaplanmış olup modelin genel performansının iyi olduğunu, ancak IoU eşiği arttıkça performansın düştüğünü göstermektedir. YOLO-V9 modelinin bal peteği paternini %81.3 kesinlik, %68.3 duyarlılık ve %69.4 hasasiyetle tespit ettiği gösterilmiş olup modelin genel performansının iyi olduğu söylenebilir. Sonuç: Çalışmamızda nesne tespit yöntemlerinden YOLO' nun en güncel versiyonu olan V9 kullanılmıştır. Bu konuda bu hastalığa yönelik YOLO ile yapılan ilk çalışma olması yönünden özgün değeri oldukça yüksektir. YOLO-V9 modelinin bal peteği paternini tespit etmede genel olarak kabul edilebilir bir performans sergilediği söylenebilir. Model doğruluğunun artırılması için veri seti artırımı yapılabilir. Yine de, bu küçük veri kümeleriyle iyi bir performans elde edilmiştir. Daha büyük bir veri kümesinin pulmonoloji tanı alanında dönüştürücü bir etkisi olması muhtemeldir.
Özet (Çeviri)
Purpose: Medical imaging is becoming increasingly important for disease diagnosis, prognosis and treatment planning in medicine. Diagnosis of idiopathic pulmonary fibrosis using high-resolution computed tomography (HRCT) is a difficult task and can have high interobserver variability even in experienced radiologists. Deep learning is a quantitative approach that measures and extracts high-dimensional imaging features to aid in clinical decision making. It has shown great potential for use in the diagnosis, treatment and follow-up of many diseases using medical imaging. Idiopathic pulmonary fibrosis (IPF) is a disease with a high mortality rate and there are still some difficulties in diagnosing the disease. In our study, it was aimed to help in early recognition and diagnosis of the honeycomb pattern observed in HRCT with the deep learning method You Only Look Once (YOLO). Materials and Methods: In our study, 132 cross-sectional HRCT images containing honeycomb images belonging to 66 patients were used. Honeycomb labeling was performed on the images using Roboflow, a web-based platform designed to be used in labeling images for object detection, classification, and segmentation. The honeycomb pattern in the labeled HRCT images was introduced to the deep learning model You Only Look Once-V9 (YOLO-V9). Of the 132 cross-sectional HRCT images; 92 (%70) were used as training set data, 26 (%20) as validation set data, and 14 (%10) as test set data. 100 iterations (epochs) were studied on the images. In the training set data that we labeled and gave to the YOLO model, the model was first allowed to recognize the honeycomb pattern. With the validation set data, the YOLO model compared the real honeycomb images with the honeycomb images marked by the model thanks to the program it created. Then, using the test set data, the YOLO model estimated the probability of honeycombs on images it had never seen. Results: It is observed that the losses are generally low and stable on the training set data. In particular, the box_loss and dfl_loss averages are observed around 1.2. The losses on the validation set data are similarly around 1.7, indicating that the performance of the model on the validation data is similar to the training data. The loss rates are observed at a low level, which shows that the model is optimized step by step during the training process. The precision average is calculated as 0.538, and the recall average is 0.483, indicating that the model detects objects with reasonable accuracy. The mAP_0.5 average is calculated as 0.469 and the mAP_0.5:0.95 average is 0.246, indicating that the overall performance of the model is good, but the performance decreases as the IoU threshold increases. It has been shown that the YOLO-V9 model detects the honeycomb pattern with 81.3% accuracy, 68.3% sensitivity and 69.4% precision, and it can be said that the overall performance of the model is good. Conclusion: In our study, the most up-to-date version of YOLO V9, was used. It has a high original value in terms of being the first study conducted with YOLO for this disease. It can be said that the YOLO-V9 model generally exhibits acceptable performance in detecting the honeycomb pattern. The data set can be increased to increase the model accuracy. Nevertheless, good performance was achieved with these small data sets. A larger data set is likely to have a transformative effect in the field of pulmonology diagnosis
Benzer Tezler
- İdiyopatik pulmoner fibrozis ve sjögren sendromuna bağlı akciğer tutulumu olan olguların klinik, radyolojik ve laboratuvar bulgularının karşılaştırılması
Comparison of clinical, radiological and laboratory findings of patinets with idiopathic pulmonary fibrosis and lung involvement DUE to sjogrens's syndrome
SÜMEYYE FİDANCI
Tıpta Uzmanlık
Türkçe
2022
Göğüs HastalıklarıSüleyman Demirel ÜniversitesiGöğüs Hastalıkları Ana Bilim Dalı
PROF. DR. AHMET AKKAYA
- Fibrotik İnterstisyel Akciğer Hastalıkları'nda progresyon görülme sıklığı ve mortaliteye etkisi
Frequency of progression and its effect on mortality in fibrotic Interstitial Lung Diseases
NİLÜFER YİĞİT
Tıpta Uzmanlık
Türkçe
2022
Göğüs HastalıklarıPamukkale ÜniversitesiGöğüs Hastalıkları ve Tüberküloz Ana Bilim Dalı
PROF. DR. GÖKSEL ALTINIŞIK
- İdiopatik pulmoner fibrozisli hastalarda tanı anındaki periferik kan monosit sayımının hastalık ağırlığı ve prognozu ile ilişkisi
Association of peripheral blood count values at diagnosis with disease severityand prognosis in patients with idiopathic pulmonary fibrosis
SEDEF KÜÇÜKYALÇIN
Tıpta Uzmanlık
Türkçe
2024
Göğüs HastalıklarıÇukurova ÜniversitesiGöğüs Hastalıkları Ana Bilim Dalı
PROF. DR. İSMAİL HANTA
- Diffüz parankimal akciğer hastalıklarında prognozla ilişkili parametrelerin araştırılması
Evaluation of the prognostic parameters in diffuse parenchymal lung disease
COŞKUN CANIVAR
Tıpta Uzmanlık
Türkçe
2015
Göğüs Hastalıklarıİstanbul ÜniversitesiGöğüs Hastalıkları Ana Bilim Dalı
DOÇ. DR. NİGAR GÜLFER OKUMUŞ
- İdiyopatik pulmoner fibrozisli hastalarda kor stabilizasyon egzersizleri ve nöromusküler elektrik stimülasyonunun(NMES) etkinliği
Efficacy of core stabilization exercises and neuromuscular electrical stimulation (NMES) in patients with idiopathic pulmonary fibrosis
FERİDE ELÇİN ÇAKIR
Yüksek Lisans
Türkçe
2021
Fizyoterapi ve Rehabilitasyonİstanbul Üniversitesi-CerrahpaşaKardiyoloji Ana Bilim Dalı
PROF. DR. RENGİN DEMİR