Multi contrast mri based discriminants for neuro behcet syndrome subtypes
Noro behcet sendromu alt turlerinin cok kontrastli mr tabanli ayristiricilarla siniflandirilmasi
- Tez No: 973678
- Danışmanlar: DOÇ. DR. IBRAHİM ALPAY OZCAN
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Biyomühendislik, Electrical and Electronics Engineering, Bioengineering
- Anahtar Kelimeler: Neuro–Behcet Syndrome, White Matter Integrity, Diffusion Tensor Imaging, Biomarker, Machine Learning, Classification, Görüntü işleme, Manyetik rezonans görüntüleme, Nörolojik hastalıklar, Nöro–Behçet Sendromu, Ak Madde Bütünlüğü, Difüzyon Tensör Görüntüleme, Biyobelirteç, Makine Öğrenimi, Sınıflandırma, Image processing, Magnetic resonance imaging, Neurological diseases
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Boğaziçi Üniversitesi
- Enstitü: Biyomedikal Mühendislik Enstitüsü
- Ana Bilim Dalı: Biyomedikal Ana Bilim Dalı
- Bilim Dalı: Biyomedikal Bilimler ve Mühendislik Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Daha sonra doldurulacaktir.Neuro–Behcet Syndrome (NBS) is extremely rare worldwide but has a higher prevalence in Türkiye, allowing meaningful cohort formation. The goal of this work is the characterization of white matter (WM) integrity by analyzing diffusion tensor imaging (DTI) metrics in NBS. Retrospective data from 14 patients and a control cohort of 38 healthy individuals were analyzed through WM segmentation in DTI data. The mean of DTI variables in WM of both groups were compared with Mann–Whitney U Test. λ2 and apparent diffusion coefficient (ADC) showed the highest statistical significant differences between the NBS and control cohorts. These indicate potentially that in addition to damage along the axons, the WM integrity is more significantly compromised in the axons transversally. Accordingly, WM DTI characterization in this study might be considered as the first step for investigating differentiating quantitative MR biomarkers for this family of neurological pathologies. Machine Learning (ML) results indicate that combining multiple diffusion metrics yields superior classification accuracy in distinguishing NBS patients from healthy controls compared to using individual variables alone. In particular ADC, even when paired with less discriminative variables, exhibited outstanding classification performance. The highest classification performance, achieving 100% accuracy, was obtained with λ3 and ADC. Notably, these results were achieved with a lower number of components, indicating that these DTI variables provide highly discriminative power with minimal feature complexity. This thesis establishes a foundation for future work aimed at enhancing classification accuracy through larger cohorts, inclusion of NBS subtypes, and personalized ML based on individual diffusion profiles.
Özet (Çeviri)
Nöro–Behçet Sendromu (NBS) dünya genelinde son derece nadir görülmesine rağmen, Türkiye'de daha yüksek bir yaygınlığa sahiptir; bu durum anlamlı bir kohort oluşturulmasına olanak tanımaktadır. Bu çalışmanın amacı, beyaz madde (BM) bütünlüğünün difüzyon tensör görüntüleme (DTG) aracılığıyla karakterize edilmesidir. Geriye dönük elde edilmiş 14 NBS hastası ve 38 sağlıklıdan oluşan kontrol kohortuna ait DTG verileri BM segmentasyonu ile analiz edilmiştir. Her iki grubun BM içindeki DTG değişkenlerinin ortalamaları Mann–Whitney U testi ile karşılaştırılmıştır. Elde edilen bulgulara göre, λ2 ve görünür difüzyon katsayısı (GDK) NBS ve kontrol grupları arasında istatistiksel olarak anlamlı farklılıklar göstermiştir. Bu durum, akson boyunca meydana gelen hasara ek olarak, aksonların transversal yönünde BM bütünlüğünün daha belirgin şekilde bozulduğuna işaret etmektedir. Dolayısıyla, bu çalışmada gerçekleştirilen BM DTG karakterizasyonu, bu nörolojik hastalık ailesi için ayırt edici kantitatif manyetik rezonans (MR) biyobelirteçlerinin araştırılmasında ilk adım olarak değerlendirilebilir. Makine öğrenimi (MÖ) sonuçları, birden fazla difüzyon metriğinin bir arada kullanılmasının, yalnızca bazı tekil değişkenlerin kullanımına kıyasla NBS hastaları ile sağlıklı kontrolleri ayırt etmede yüksek sınıflandırma doğruluğu sağladığını göstermiştir. Bireysel değişkenler kombinasyon olarak da denenmiştir. En yüksek sınıflandırma başarımı, λ3 ve GDK ile elde edilmiştir. Gelecekte, daha geniş hasta kohortları kullanılarak sınıflandırma başarımının artırılmasına ve bireysel difüzyon profillerine dayalı kişiselleştirilmiş MÖ algoritmalarının uygulanmasına odaklanacaktır.
Benzer Tezler
- Deep learning for multi-contrast MRI synthesis
Çoklu kontrast MRG için derin öğrenme
MAHMUT YURT
Yüksek Lisans
İngilizce
2021
Elektrik ve Elektronik Mühendisliğiİhsan Doğramacı Bilkent ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. TOLGA ÇUKUR
- Sensitivity analysis and multi contrast imaging of magnetic resonance magnetohydrodynamic flow velocimetry at 3 Tesla
3 Teslada manyetik rezonans manyetohidrodinamik akış hızı ölçümünün duyarlılık analizi ve çoklu kontrast görüntülenmesi
MERT ŞİŞMAN
Yüksek Lisans
İngilizce
2021
Elektrik ve Elektronik MühendisliğiOrta Doğu Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. BEHÇET MURAT EYÜBOĞLU
- Compressive sensing methods for multi-contrast magnetic resonance imaging
Manyetik rezonans görüntüleme için sıkıştırılmış algılama yöntemleri
ALPER GÜNGÖR
Yüksek Lisans
İngilizce
2017
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. FATOŞ TUNAY YARMAN VURAL
YRD. DOÇ. DR. TOLGA ÇUKUR
- Dinamik kontrastlı meme manyetik rezonans görüntüleme tabanlı klinik, radyolojik, patolojik ve radyomik modellerin metastatik meme kanseri öngörüsündeki rolü
The role of dynamic contrast-enhanced breast magnetic resonance imaging–based clinical, radiological, pathological, and radiomic models in the prediction of metastatic breast cancer
EMİNE MELTEM KÖMÜRCÜ
Tıpta Uzmanlık
Türkçe
2026
Radyoloji ve Nükleer Tıpİstanbul Üniversitesi-CerrahpaşaRadyoloji Ana Bilim Dalı
DOÇ. DR. SEDA ALADAĞ KURT
- Atipik uterin kitlelerin tanısında uterin sarkom ve uterinmyom ayrımının manyetik rezonans görüntüleme radyomiksözellikleri kullanılarak makine öğrenmesi yöntemlerikullanılarak öngörülmesi
Differentiating uterine sarcoma from uterine leiomyoma in atypical uterine masses using mri-based radiomics features and machine learning methods
MUSTAFA DURMAZ
Tıpta Uzmanlık
Türkçe
2026
Radyoloji ve Nükleer Tıpİstanbul ÜniversitesiRadyoloji Ana Bilim Dalı
PROF. DR. MERVE GÜLBİZ DAĞOĞLU KARTAL