Geri Dön

Konvansiyonel manyetik rezonans görüntülemenin ve radiomiks tabanlı makina öğrenmesinin menenjiom hastalarında preoperatif grade, histolojik subtip ve surveyansı öngörmeye katkısı

Contribution of conventional magnetic resonance imaging and radiomics based machine learning in predicting preoperative grade, histological subtype and surveillance in meningioma patients

PDF İndir

  1. Tez No: 635722
  2. Yazar: CEYLAN ALTINTAŞ TAŞLIÇAY
  3. Danışmanlar: DR. ÖĞR. ÜYESİ ÖZGÜR ÇAKIR
  4. Tez Türü: Tıpta Uzmanlık
  5. Konular: Radyoloji ve Nükleer Tıp, Radiology and Nuclear Medicine
  6. Anahtar Kelimeler: Yüksek Grade Menenjiom, Fibröz Menenjiom, Makina öğrenmesi, Radiomiks, Semantik özellikler, Makine öğrenmesi, Manyetik rezonans görüntüleme, Menenjiom, Radyomikler, High Grade Meningioma, Fibrous Meningioma, Machine learning, Radiomics, Semantic features, Magnetic resonance imaging, Meningioma
  7. Yıl: 2020
  8. Dil: Türkçe
  9. Üniversite: Kocaeli Üniversitesi
  10. Enstitü: Tıp Fakültesi
  11. Ana Bilim Dalı: Radyoloji Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Giriş ve amaç: Bu çalışmada, radiomiks ve makina öğrenmesinin (ML) yüksek grade (HGM) ve düşük grade menenjiomları (LGM) ayırmada ve LGM'leri fibröz-nonfibröz olarak sınıflandırmada MR görüntülemeye katkısını araştırmak amaçlanmıştır. Gereç ve yöntem: Çalışma protokolü kurumsal etik komite tarafından onaylandı. Çalışmaya retrospektif olarak 181 hasta (50 HGM, 131 LGM; 15 fibröz, 116 nonfibröz) dahil edildi. Preoperatif MR görüntüleri 14 tane semantik özellik esas alınarak değerlendirildi. T2A, FLAIR, postkontrast T1A, postkontrast 3D T1-FFE ve ADC haritası görüntülerinden 107 adet radiomiks özelliği elde edildi. Semantik ve radiomiks özellikleriyle HGM ve LGM'leri ayırmada 5 model oluşturularak support vector machine,lojistik regresyon, k-nearest neighborhood, naive Bayes, decision tree, random forest ve neural network algoritmalarıyla sınıflandırma yapıldı. Aynı ML algoritmaları fibröz ve nonfibröz menenjiomları ayırmak için de kullanıldı. Özellik azaltma yöntemi olarak information gain metodu, internal validasyon tekniği olarak stratified 10-fold cross-validation kullanıldı. ML algoritmalarının sınıflandırma performansı area under the curve (AUC), sensitivite, spesifisite ve doğruluk oranları ile değerlendirildi. Çalışmada p < 0.05 istatistiksel olarak anlamlı kabul edildi. Bulgular: Tüm sınıflandırma modellerinde naive Bayes en iyi performansı gösterdi. HGM'leri LGM'lerden ayırmada postkontrast 3D T1- FFE görüntülerinden elde edilen radiomiks özellikleri kullanılarak yapılan ML modeli en iyi sonuçları verdi (AUC:0.906). Radiomiks özellikleri kullanılarak yapılan modellerin tamamı tek başına semantik özelliklerin kullanıldığı modelden daha iyi sonuçlar verdi. Semantik özelliklere radiomiks özellikleri eklendiğinde sınıflandırma performansı arttı. LGM'leri fibröz ve nonfibröz olarak ayırmada tüm sekansların radiomiks özellikleri kullanılarak yapılan sınıflandırmanın en iyi sonuçları verdiği tespit edildi (AUC: 944). Sonuç: HGM'lerin belirlenmesinde radiomiks özellikleri kullanılarak yapılan ML, semantik özelliklere kıyasla daha iyi sonuçlar verdi. LGM'leri fibröz ve nonfibröz olarak ayırmada radiomiks özellikleri kullanılarak yapılan ML sonuçları oldukça iyiydi.

Özet (Çeviri)

Introduction and purpose: In this study, it was aimed to investigate the contribution of radiomics and machine learning (ML) to MR imaging in differentiating high grade meningioma (HGM)-low grade meningioma (LGM) and classifying LGM as fibrous-nonfibrous. Materials and methods: The study protocol was approved by the institutional ethics committee.181 patients (50 HGM, 131 LGM; 15 fibrous, 116 nonfibrous) were included in this retrospective study. Preoperative MR images were evaluated using 14 semantic features from. A total of 107 radiomics features were extracted from T2W, FLAIR, post-contrast T1W, post-contrast 3D T1-FFE and ADC map images. Using semantic and radiomics features, five models were created to distinguish HGM from LGM . Classifications were made with support vector machine, logistic regression, k-nearest neighborhood, naive Bayes, decision tree, random forest and neural network algorithms. The same ML algorithms were used to distinguish fibrous and nonfibrous meningiomas. Feature reduction was done with information gain method, and stratified 10-fold cross-validation was used as an internal validation technique. The performance of ML algorithms was evaluated with the area under the curve (AUC), sensitivity, specificity, and accuracy rates. p <0.05 was considered statistically significant. Results: The naive Bayes algorithm had the best diagnostic performance in all classification models.The ML model using the radiomics features obtained from post contrast 3D T1-FFE images showed the best results in distinguishing HGM from LGM (AUC:0.906). All models using radiomics features showed better results than the model using semantic features alone.When radiomics features were added to semantic features, performances of ML algoritms were increased. In addition, classification using radiomics features obtained from all sequences had the highest performance in distinguishing LGM as fibrous and nonfibrous (AUC: 944). Conclusion: ML using radiomics features in distinguishing HGM from LGM showed better results compared to semantic features. In addition, radiomics based ML showed promising results to distinguish LGM as fibrous and nonfibrous.

Benzer Tezler

  1. Tez No

    1019573

    Dikkat eksikliği ve hiperaktivite bozukluğu hastalarının beyin manyetik rezonans görüntülerinin radiomiks analizi ile değerlendirilmesi

    Radiomics-based evaluation of brain magnetic resonance images of patients with attention deficit hyperactivity disorder

    MELİKE KESKİNKILIÇ

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2026

    Radyoloji ve Nükleer TıpÇukurova Üniversitesi

    Radyoloji Ana Bilim Dalı

    DOÇ. DR. ÖMER KAYA

  2. Tez No

    920373

    Obstetrik brakial pleksus paralizisinde brakial pleksus ve omuriliğin difüzyontensör görüntüleme ve sentetik manyetik rezonans görüntüleme ile değerlendirilmesi

    Evaluation of brachial plexus and spinal cord with diffusion tensor imaging and synthetic magnetic resonance imaging in obstetric

    GÖKÇEN ÇOBAN ÇİFÇİ

    Doktora

    Türkçe

    Türkçe

    2025

    Radyoloji ve Nükleer TıpEge Üniversitesi

    Sinir Bilimi Ana Bilim Dalı

    PROF. DR. GÜLGÜN ŞENGÜL

  3. Tez No

    849831

    Manyetik rezonans görüntülemeden elde edilen radyomiks parametrelerinin kafa tabanı osteomyeliti ve nazofarinks karsinomunu ayırt edebilme başarısının araştırılması

    Validating the ability to differentiate skull base osteomyelitis and nasopharyngeal carcinoma using radiomics parameters obtained from magnetic resonance imaging

    FIRAT ATAK

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2023

    Radyoloji ve Nükleer TıpHacettepe Üniversitesi

    Radyoloji Ana Bilim Dalı

    DOÇ. DR. AYÇA KARAOSMANOĞLU

  4. Tez No

    994978

    Meme kanserli olgularda meme manyetik rezonans görüntülemesinden elde edilen radyomiks parametrelerinin neoadjuvan tedaviye yanıt açısından histopatolojik korelasyonu

    Histopathologic correlation between breast mri–derived radiomic features and response to neoadjuvant therapy in patients with breast cancer

    CENNET YANARDAĞ BİÇER

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2025

    Radyoloji ve Nükleer TıpHacettepe Üniversitesi

    Radyoloji Ana Bilim Dalı

    PROF. DR. MELTEM GÜLSÜN AKPINAR

  5. Tez No

    626987

    Hepatosellüler karsinomun tanısal ayrımında manyetik rezonans görüntülemede difüzyon tensör görüntüleme ve difüzyon ağırlıklı görüntülemenin katkısı

    The contribution of diffusion tensor imaging in magnetic resonance imaging in the diagnosis of hepatocellular carcinoma

    CİHAN ÖZGÜR

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2020

    Radyoloji ve Nükleer TıpTrakya Üniversitesi

    Radyoloji Ana Bilim Dalı

    PROF. DR. NERMİN TUNÇBİLEK

Geri Dön