Lokal hastalıklı, bölgesel lenf nodu metastazlı ve uzak metastazlı meme kanserli hastaların ayrımında PET/BT görüntüleri ile derin öğrenmenin kullanılması
The use of deep learning on PET/CT images to differentiate between local disease, regional lymph node metastatic and distant metastatic breast cancer patients
- Tez No: 978309
- Danışmanlar: PROF. DR. HASAN İKBAL ATILGAN
- Tez Türü: Tıpta Uzmanlık
- Konular: Radyoloji ve Nükleer Tıp, Radiology and Nuclear Medicine
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Hatay Mustafa Kemal Üniversitesi
- Enstitü: Tıp Fakültesi
- Ana Bilim Dalı: Nükleer Tıp Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Amaç: Bu çalışma, meme kanseri tanısı konmuş hastalarda 18F-FDG PET/BT görüntülerinden elde edilen derin öğrenme modellerinin ve kantitatif metabolik parametrelerin, hastalığın klinik evrelerini (lokalize hastalık, bölgesel lenf nodu metastazı ve uzak metastaz) ayırt etme yeteneğini değerlendirmeyi amaçlamıştır. Gereç ve Yöntem: Temmuz 2018–Şubat 2024 arasında 332 hastaya ait PET/BT görüntüleri retrospektif olarak analiz edildi. Vision Transformer (ViT), ResNet50, MobileNetV2, InceptionV3 ve DenseNet121 mimarileri karşılaştırıldı. Primer tümörlerden SUVmax, metabolik tümör volümü (MTV) ve toplam lezyon glikolizi (TLG) değerleri çıkarıldı ve evrelere göre karşılaştırıldı. Bulgular: Vision Transformer, %91,7 doğruluk ve tüm sınıflarda AUC >0,98 ile en iyi performansı gösterdi. Modelin precision, recall ve F1-score değerleri %91'in üzerindeydi. Metabolik parametrelere bakıldığında, MTV ve TLG değerleri hastalık evresi ilerledikçe anlamlı ve kademeli bir artış göstermiştir. Lokal hastalıkta MTV 2,94, bölgesel metastazda 6,30 ve uzak metastazda 13,64 bulunurken; TLG sırasıyla 11,49, 34,40 ve 74,69 olarak saptanmıştır (p <0,001). Bu sonuçlar, tümör yükü ve yayılımı ile güçlü korelasyonu doğrulamaktadır. Bu parametreler, lokal hastalık ile metastatik hastalık ayrımında etkili olurken, SUVmax'a kıyasla daha iyi prognostik değer sundu. Sonuç: Hem derin öğrenme tabanlı görüntü analizi, özellikle ViT gibi transformer mimarileri ile, hem de 18F-FDG PET/BT görüntülerinden elde edilen kantitatif hacimsel metabolik parametreler (MTV ve TLG), meme kanseri evrelemesini geliştirmek için önemli bir potansiyel taşımaktadır. Bu bulgular, ileri yapay zekâ metodolojilerinin kapsamlı metabolik verilerle entegrasyonunun, meme kanseri hastalarında kişiselleştirilmiş tedavi planlaması ve prognoz için daha bütüncül ve doğru bir karar destek sistemi sağlayabileceğini düşündürmektedir.
Özet (Çeviri)
Aim: This study aimed to evaluate the capability of deep learning models and quantitative metabolic parameters, derived from 18F-FDG PET/CT images, to differentiate clinical stages (local disease, regional lymph node metastasis, and distant metastasis) in patients diagnosed with breast cancer. Material and Method: PET/CT images of 332 patients obtained between July 2018 and February 2024 were retrospectively analyzed. Vision Transformer, ResNet50, MobileNetV2, InceptionV3, and DenseNet121 architectures were compared. SUVmax, metabolic tumor volume, and total lesion glycolysis values were extracted from primary tumors and compared across disease stages. Results: Vision Transformer achieved the highest performance with 91.7% accuracy and AUC >0.98 across all classes. The model's precision, recall, and F1-score exceeded 91%. Regarding metabolic parameters, both MTV and TLG showed a significant and stepwise increase with advancing disease stage. MTV values were 2.94 in localized disease, 6.30 in regional metastasis, and 13.64 in distant metastasis, while TLG values were 11.49, 34.40, and 74.69, respectively (p < 0.001), confirming a strong correlation with tumor burden and extent. These parameters effectively distinguished localized from metastatic disease and provided superior prognostic value compared to SUVmax. Conclusion: Both deep learning-based image analysis, particularly with transformer architectures like ViT, and quantitative volumetric metabolic parameters (MTV and TLG) from 18F-FDG PET/CT images hold significant promise for enhancing breast cancer staging. These findings suggest that integrating advanced artificial intelligence methodologies with comprehensive metabolic data can provide a more comprehensive and accurate decision-support system for personalized treatment planning and prognosis in breast cancer patients.
Benzer Tezler
- Meme koruyucu cerrahi ile beraber sentinel lenf nodülü biyopsisi yapılan hastaların uzun dönem takiplerinin değerlendirilmesi
Evaluation of patients with the breast conserving surgery and lymph node biopsy in the long term follow-up
CENGİZHAN İPEK
Tıpta Uzmanlık
Türkçe
2011
Genel Cerrahiİstanbul Bilim ÜniversitesiGenel Cerrahi Ana Bilim Dalı
PROF. DR. AHMET NEJAT ÖZBAL
PROF. DR. VAHİT ÖZMEN
- Meme kanserli 1075 hastada radyoterapi sonuçlarımız ve prognostik faktörler
Başlık çevirisi yok
SAİT SARI
Tıpta Uzmanlık
Türkçe
2005
OnkolojiHacettepe ÜniversitesiRadyasyon Onkolojisi Ana Bilim Dalı
PROF.DR. LALE ATAHAN
- Küçük hücreli dışı akciğer kanserinde plevral tutulum derecesinin sağkalım üzerine etkisi
The effects of pleural involvement on survival in non-small cell lung cancer
DENİZ KAYGUSUZ TİKİCİ
Tıpta Uzmanlık
Türkçe
2020
Göğüs Kalp ve Damar CerrahisiSağlık Bilimleri ÜniversitesiGöğüs Cerrahisi Ana Bilim Dalı
UZMAN SELİM ŞAKİR ERKMEN GÜLHAN
- Radikal radyoterapi uygulanan inopere serviks karsinomlu hastalarda PET CT deki primer kitle ve pelvik lenf nodundaki suv değerlerine göre tedavi yanıt değerlendirilmesi
The role of FDG PET/CT in patients with cervical carcinoma for evaluating tumor extent, assessing treatment response, and detecting disease recurrence
MELTEM DAĞDELEN
Tıpta Uzmanlık
Türkçe
2014
OnkolojiEge ÜniversitesiRadyasyon Onkolojisi Ana Bilim Dalı
PROF. DR. ARİF BÜLENT ARAS
- Papiller tiroid kanserinde ret/PTK onkogen ekspresyonu ve prognozla ilişkisinin araştırılma
RET/PTC oncogene expression in papillary thyroid carcinoma and ıts relevance with clinicopathological findings.
DİLEK KARAKAYA ARPACI
Tıpta Uzmanlık
Türkçe
2008
Endokrinoloji ve Metabolizma Hastalıklarıİstanbul Üniversitesiİç Hastalıkları Ana Bilim Dalı
PROF. NEŞE ÇOLAK