Alt ekstremite lenfosintigrafisinde sintigrafik bulguların analizi ve derin öğrenme modeli sonuçları ile karşılaştırılması
Lower extremity lymphoscintigraphy: Statistical analysis of scintigraphic findings and comparison with deep learning model results
- Tez No: 979601
- Danışmanlar: PROF. DR. HÜLYA PEKER
- Tez Türü: Tıpta Uzmanlık
- Konular: Radyoloji ve Nükleer Tıp, Radiology and Nuclear Medicine
- Anahtar Kelimeler: Derin öğrenme, dermal geri akım, konvolüsyonel sinir ağı, lenfosintigrafi, lenfödem, popliteal lenf nodu, Sintigrafi, Yapay zeka, Convolutional neural network, deep learning, dermal backflow, lymphedema, lymphoscintigraphy, popliteal lymph node, Scintigraphy, Artificial intelligence
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Sağlık Bilimleri Üniversitesi
- Enstitü: Ankara Gülhane Eğitim ve Araştırma Hastanesi
- Ana Bilim Dalı: Nükleer Tıp Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Amaç: Lenfödem, fonksiyonu kısıtlayarak yaşam kalitesini düşüren, kronik, ilerleyici ve sık görülen bir hastalıktır. Tanı ve tedavi süreçlerinde lenfosintigrafiden sıklıkla yararlanılır. Lenfosintigrafi ile lenfödem, dermal geri akım, popliteal lenf nodu, lenfosel varlığı gibi bilgiler elde edilebilir. Tıbbi görüntüleme alanında yapay zeka ve derin öğrenme modelleri giderek artan biçimde araştırılsa da lenfosintigrafi alanında yapay zeka çalışmaları sınırlıdır. Bu çalışmada geniş bir seride lenfosintigrafik bulguların istatistiksel analiz edilmesi ve derin öğrenme modelleri eğitilerek lenfödemi ve lenfosintigrafik bulguları saptama başarısının tespit edilmesi amaçlanmıştır. Gereç ve Yöntem: Kasım 2016-Aralık 2024 arasında SBÜ Gülhane Eğitim ve Araştırma Hastanesi'nde erişkin hastalarda yapılan lenfosintigrafi tetkikleri retrospektif olarak taranmıştır. Çalışma planına uygun 673 hasta ve 1346 ekstremite çalışmaya dahil edilmiştir. Görüntüler lenfödem, dermal geri akım, popliteal lenf nodu, lenfosel, inguinal tutulum miktarı, asimetrik inguinal tutulum, lenfanjiektazi, kollateral damarlar ve evreye göre değerlendirilmiştir. Demografik ve sintigrafik bulguların istatistiksel analizi yapılmıştır. Görüntüler hem PNG hem DICOM formatında ayrı ayrı düzenlenmiştir. Yapay zeka analizinde ImageNet ön eğitimli EfficientNet-V2-S ve DenseNet-121 modelleri kullanılmıştır. Derin öğrenme modelleri lenfödem var/yok, popliteal lenf nodu var/yok, dermal geri akım var/yok çıktıları alınacak şekilde düzenlenmiştir. Python (PyTorch, NumPy) ile RTX 4090 (CUDA/cuDNN) üzerinde eğitim, validasyon ve test işlemleri yürütülmüştür. 5 katlı çapraz validasyon uygulanmıştır. İstatistiksel analizde IBM SPSS v26 kullanılmıştır. Dağılıma göre uygun parametrik/parametrik olmayan testler, ki-kare/Fisher testi, korelasyon analizleri uygulanmıştır. Modellerin sınıflandırma başarısı test kümesinde doğruluk, kesinlik, duyarlılık, özgüllük, PPV, NPV, F1, ROC/AUC ve konfüzyon matrisleri ile değerlendirilmiştir. Grad-CAM örnekleri sunulmuştur. Bulgular: Toplam 673 hasta ve 1346 ekstremite değerlendirilmiştir. Hasta bazında lenfödem sıklığı %45,2'dir. Lenfödemli olguların %67,1'i unilateral izlenmiştir. Hastalarda en sık sintigrafik bulgular popliteal lenf nodu (%23,6) ve dermal geri akım (%19,9) olarak saptanmıştır. Yaş ile lenfödem varlığı (p=0,893) ve lenfödemli olgularda yaş ile evre arasında ilişki saptanmamıştır (p=0,199). Cinsiyete göre karşılaştırmada, erkeklerde lenfödem ve dermal geri akım daha yüksek saptanmıştır (p<0,001). Dermal geri akım ile popliteal lenf nodu birlikte görülme sıklığı artmıştır (p<0,001). Asimetrik inguinal tutulumda popliteal lenf nodu daha sık izlenmiştir (p<0,001). Azalmış inguinal tutulumda dermal geri akım, lenfosel, popliteal ve in-transit lenf nodu pozitiflikleri daha sıktır (p<0,001). Popliteal lenf nodu pozitif ekstremitelerde evreler daha düşük saptanmıştır (p<0,001). İkili görevlerde (lenfödem, popliteal lenf nodu, dermal geri akım) modellerin ayırıcı gücünün yüksek olduğu tespit edilmiştir (AUC: 0,90-0,97). EfficientNet-V2-S-PNG, diğer modellere kıyasla daha iyi performans göstermiştir (F1: lenfödem 0,87, popliteal 0,81, dermal 0,83, AUC: lenfödem 0,94, popliteal 0,95, dermal 0,97). DenseNet-121-PNG'nin popliteal lenf nodu ayrımında performansı EfficientNet-V2-S-PNG modeline yakındır (0,96 vs 0,95). DICOM girdili modellerin hata oranı PNG girdili modellere kıyasla daha yüksektir. Sonuç: Klinik veriler, popliteal lenf nodu ve dermal geri akımın lenfödem değerlendirmesinde öne çıktığını; yapay zeka analizleri ise PNG girdili modellerin hata profilini daha iyi dengelediğini göstermiştir. EfficientNet-V2-S-PNG, üç görev için tutarlı bir model olarak ortaya çıkmıştır. Model performansları, lenfosintigrafide yapay zekanın; ön raporlama ve bulgu saptama konusunda klinik işleyişte hekime yol gösterici olma potansiyelini ortaya koymaktadır.
Özet (Çeviri)
Objective: Lymphedema is a common, chronic and progressive disease that limits function and reduces quality of life. Lymphoscintigraphy is frequently used in diagnosis and management of lymphedema and providing information about findings such as dermal backflow, popliteal lymph nodes and lymphocele. Although artificial intelligence and deep learning models are increasingly explored in medical imaging, studies in lymphoscintigraphy remain limited. This study aimed to statistically analyze lymphoscintigraphic findings in a large cohort and to train deep learning models to detect lymphedema and lymphoscintigraphic features. Materials and Methods: Lymphoscintigraphy examinations performed at SBU Gülhane Training and Research Hospital between November 2016 and December 2024 were retrospectively reviewed. A total of 673 patients and 1346 extremities meeting the study criteria were included. Images were assessed for lymphedema, dermal backflow, popliteal lymph nodes, lymphocele, degree of inguinal nodal uptake, asymmetric inguinal nodal uptake, lymphangiectasia, collateral lymphatic channels and stage. Demographic and scintigraphic findings were analyzed statistically. Images were prepared separately in both PNG and DICOM formats. For AI analysis, ImageNet pretrained EfficientNet-V2-S and DenseNet-121 were used. Models were configured to output three binary labels: lymphedema present/absent, popliteal lymph node present/absent and dermal backflow present/absent. Training, validation and testing were conducted in Python (PyTorch, NumPy) on an RTX 4090 GPU (CUDA/cuDNN). Statistical analyses were performed in IBM SPSS v26 using appropriate parametric/nonparametric tests, chi-square/Fisher's exact tests, and correlation analyses. Model performance on the test set was evaluated using accuracy, precision, sensitivity, specificity, PPV, NPV, F1 score, ROC/AUC, and confusion matrices. Results: In total, 673 patients and 1346 extremities were evaluated. The per-patient prevalence of lymphedema was 45,2%; among lymphedema cases, 67,1% were unilateral. The most frequent scintigraphic findings were popliteal lymph nodes (23,6%) and dermal backflow (19,9%). No association was identified between age and the presence of lymphedema (p=0,893), nor between age and stage among lymphedema cases (p=0,199). Lymphedema and dermal backflow were more common in men than in women (p<0,001). Co-occurrence of dermal backflow with popliteal lymph nodes was more frequent (p<0,001). Popliteal lymph nodes were more common in the presence of asymmetric inguinal uptake (p<0,001). With reduced inguinal uptake, positivity for dermal backflow, lymphocele, and popliteal and in-transit lymph nodes was more frequent (p<0,001). Extremities positive for popliteal lymph nodes exhibited lower stages (p<0,001). In the three binary tasks (lymphedema, popliteal lymph node, dermal backflow), the models demonstrated high discriminative performance (AUC 0,90-0,97). EfficientNet-V2-S with PNG inputs outperformed the others (F1: lymphedema 0,87, popliteal 0,81, dermal 0,83; AUC: lymphedema 0,94, popliteal 0,95, dermal 0,97). DenseNet-121 with PNG inputs achieved popliteal lymph node discrimination comparable to EfficientNet-V2-S-PNG (AUC 0,96 vs 0,95). Models using DICOM inputs exhibited higher error rates than their PNG counterparts. Conclusion: Clinical data indicate that popliteal lymph nodes and dermal backflow are prominent findings in the assessment of lymphedema, while the model analyses show that PNG input models achieve lower error rates. EfficientNet-V2-S-PNG emerged as a consistent performer across all three tasks. Overall, the model performance suggests that artificial intelligence in lymphoscintigraphy has the potential to support clinicians in the clinical workflow through pre-reporting and automated detection of findings.
Benzer Tezler
- Alt ekstremite uzunluk eşitsizliklerinin tedavisinde distraksiyon epifizyolizi yöntemi ve sonuçları
Başlık çevirisi yok
H.RAMİZ PARLAR
Tıpta Uzmanlık
Türkçe
1988
Ortopedi ve Travmatolojiİstanbul ÜniversitesiOrtopedi ve Travmatoloji Ana Bilim Dalı
- Alt ekstremite periferik arter hastalıklarında Tc-99m-MIBI ile adale perfüzyonu
Başlık çevirisi yok
HALUK B. SAYMAN
Tıpta Uzmanlık
Türkçe
1990
Radyoloji ve Nükleer Tıpİstanbul ÜniversitesiNükleer Tıp Ana Bilim Dalı
PROF.DR. İRFAN URGANCIOĞLU
- Alt ekstremite tıkayıcı arter hastalıklarında perkütan transluminal anjioplasti
Başlık çevirisi yok
ERHAN T. ILGIT
- Alt ekstremite rotasyonel problemleri (Türk toplumunda fizyolojik değerlerin saptanmasına yönelik bir çalışma)
Rotational problems in Lower Extremity
UĞUR ŞAYLI
Tıpta Uzmanlık
Türkçe
1991
Ortopedi ve TravmatolojiGazi ÜniversitesiOrtopedi ve Travmatoloji Ana Bilim Dalı
DOÇ. DR. SELÇUK BÖLÜKBAŞI
- Alt ekstremite obstrüktif arter lezyonlarında balon anjioplasti ve stent uygulanımı
Başlık çevirisi yok
UTKU ŞENOL
Tıpta Uzmanlık
Türkçe
1993
Radyoloji ve Nükleer TıpAkdeniz ÜniversitesiRadyodiagnostik Ana Bilim Dalı
PROF. DR. ERSİN LÜLECİ