İntrakraniyal meningiomlarda radyolojik bulguların patolojik sonuçlarla ilişkisinin araştırılması
Investigation of the relationship between radiological findings and pathological outcomes in intracranial meningiomas
- Tez No: 1014044
- Danışmanlar: DOÇ. DR. PINAR KURU BEKTAŞOĞLU
- Tez Türü: Tıpta Uzmanlık
- Konular: Nöroşirürji, Onkoloji, Radyoloji ve Nükleer Tıp, Neurosurgery, Oncology, Radiology and Nuclear Medicine
- Anahtar Kelimeler: meningiom, DSÖ derecelendirme, radyomik, MedNeXt, derin öğrenme segmentasyonu, makine öğrenmesi, beyin tümörü, meningioma, WHO grading, radiomics, MedNeXt, deep learning segmentation, machine learning, brain tumor
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Sağlık Bilimleri Üniversitesi
- Enstitü: İstanbul Fatih Sultan Mehmet Eğitim Araştırma Hastanesi
- Ana Bilim Dalı: Beyin ve Sinir Cerrahisi Ana Bilim Dalı
- Bilim Dalı: Beyin ve Sinir Cerrahisi Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Giriş: Meningiomlar, en sık görülen intrakraniyal ekstraaksiyel kitlesel lezyonlardır. Dünya Sağlık Örgütü (DSÖ) sınıflamasına göre üç dereceye ayrılır. Manyetik rezonans görüntüleme (MRG) bulgularına göre ameliyat öncesi derece tahmini klinik seyrin öngörülebilmesi için önemlidir. Bu çalışmada amacımız ameliyat öncesi MRG verilerinden yola çıkarak hem tanımlı biyobelirteçleri değerlendirmek hem de radyomik yöntemiyle derece ayrımını yapabilmektir. Yöntem: Fatih Sultan Mehmet Eğitim ve Araştırma Hastanesi'nde 2013-2025 yılları arasında ameliyat edilen 227 meningiom tanılı hasta etik kurul onaylı bu retrospektif çalışmaya dahil edildi. Demografik veriler, radyolojik özellikleri ve patolojik veriler makine öğrenme yöntemleri kullanılarak analiz edildi. MedNeXt ve radyomik kullanılarak otomatik meningiom segmentasyonu ve DSÖ derece tahmini yapılmıştır. Bulgular: Derece 1 ve 2 meningiomlar arasında önemli klinik, histopatolojik ve radyolojik farklılıklar saptanmıştır. Özellikle histopatolojik bulgular (mitoz, nekroz, atipi, invazyon) ve bazı radyolojik özellikler (ödem, kist, heterojen kontrast tutulumu varlığı) yüksek derece ile ilişkili bulunmuştur. En iyi performans gösteren radyomik yapılandırması, SMOTE olmaksızın DVM-RBF ile birleşik bir klinik ve radyomik özellik kümesi olup ortalama ROC-AUC 0,770 ± 0,148, ortalama hassasiyet 0,531 ± 0,227 ve dengeli doğruluk 0,695 ± 0,142 elde edildi. Sonuç: Meningiomların derecesini öngörmede radyolojik belirteçler ve derin öğrenme tabanlı segmentasyonu radyomik ve klinik özelliklerle bütünleştiren araçlar üzerinden yüksek potansiyelle doğru sonuçlar vermektedir.
Özet (Çeviri)
Introduction: Meningiomas are the most common intracranial extra-axial mass lesions. According to the World Health Organization (WHO) classification, they are divided into three grades. Preoperative grading based on magnetic resonance imaging (MRI) findings is important for predicting the clinical course. This study aims to evaluate predefined biomarkers derived from preoperative MRI data and to perform grade classification using radiomic methods. Methods: In this Institutional Review Board-approved study, a total of 227 patients diagnosed with meningioma who underwent surgery at Fatih Sultan Mehmet Education and Research Hospital between 2013 and 2025 were included in this retrospective study. Demographic, radiological, and pathological data were analyzed using machine learning methods. Automatic meningioma segmentation and WHO grade prediction were conducted using MedNeXt and radiomics. Results: Significant clinical, histopathological, and radiological differences were identified between Grade 1 and 2 meningiomas. In particular, histopathological findings (mitosis, necrosis, atypia, invasion) and certain radiological features (edema, cysts, heterogeneous contrast enhancement) were associated with higher grades. The radiomics feature set that performed best was a combination of one clinical and radiomics feature using DVM-RBF without SMOTE, yielding an average ROC-AUC of 0.770 ± 0.148, an average sensitivity of 0.531 ± 0.227, and a balanced accuracy of 0.695 ± 0.142. Conclusion: Tools that integrate radiological markers, deep learning-based segmentation, and radiomic and clinical features show strong potential for accurately predicting meningioma grade.
Benzer Tezler
- Nazofarenks karsinomunda bilgisayarlı tomografi bulgularının değerlendirilmesi
Başlık çevirisi yok
CAHİT ERDEM
- Mikrovasküler ven greftlerinin uygulanmasında bipolar koagülasyonun yeri
Başlık çevirisi yok
KEMAL TANJU HEPGÜL
Tıpta Uzmanlık
Türkçe
1988
Nöroşirürjiİstanbul ÜniversitesiNöroşirürji Ana Bilim Dalı
DOÇ. DR. MEHMET İNAN TURANTAN
- Nazofarenks tümörlerinin tanısında bilgisayarlı tomografi ve yumuşak teknik lateral boyun grafisinin doğruluk oranları hakkında karşılaştırmalı bir çalışma
Başlık çevirisi yok
ALİ ÇAKIR
Tıpta Uzmanlık
Türkçe
1988
Radyoloji ve Nükleer Tıpİstanbul ÜniversitesiRadyodiagnostik Ana Bilim Dalı
PROF. DR. CAHİT BABUNA