Geri Dön

Klivusa ait BT tabanlı radiomics özelliklerinden makine öğrenme algoritmaları kullanılarak elde edilen modellerin osteoporoz tanısındaki yeri

Role of models obtained from ct-based radiomics features and machine learning algorithms of clivus in the diagnosis of osteoporosis

PDF İndir

  1. Tez No: 755992
  2. Yazar: CANDAN GÜNGÖR
  3. Danışmanlar: DR. ÖĞR. ÜYESİ EMRAH AKAY
  4. Tez Türü: Tıpta Uzmanlık
  5. Konular: Radyoloji ve Nükleer Tıp, Radiology and Nuclear Medicine
  6. Anahtar Kelimeler: Osteoporoz, klivus, makine öğrenmesi, radiomics, yüksek düzey doku özellikleri, Algoritmalar, Kafa tabanı, Radyomikler, Tomografi-x ışınlı-bilgisayarlı, Osteoporosis, clivus, machine learning, radiomics, high order texture features, Algorithms, Skull base, Tomography-x ray-computed
  7. Yıl: 2022
  8. Dil: Türkçe
  9. Üniversite: Balıkesir Üniversitesi
  10. Enstitü: Tıp Fakültesi
  11. Ana Bilim Dalı: Radyoloji Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Amaç: Osteoporoz (OP) önemli bir halk sağlığı sorunu olup önemli mortalite ve morbiditelere yol açmaktadır. Bu nedenle erken tanı önemlidir. Amacımız bilgisayarlı tomografi (BT) görüntüleri üzerinden klivusun radiomics verilerini, makine öğrenme algoritmaları ile kombine ederek OP'yi tahmin etmedeki etkinliğini ölçmektir. Gereç ve Yöntem: Bu retrospektif çalışmada, kurumumuzda DEXA ve bir yıl içerisinde kraniofasial bölgeye BT tetkiki yapılmış olan 140 olgu incelemeye alındı. Hastalar DEXA T-skorlarına göre, 30'u OP, 33'ü osteopeni ve 77'si normal olmak üç gruba ayrıldı. Üç boyutlu segmentasyon işlemi ve radiomics özelliklerin çıkarımı“3D slicer”programı ile tek hekim tarafından yapıldı. Klivusun trabeküler kemik komponentleri manuel çizilerek segmente edildi. Radiomics çıktıları, orijinal, ince- kaba Laplacian of Gaussian ve wavelet transform filtreli görüntülerden oluşmaktadır. Toplam 1023 adet radiomics özellik elde edildi. Voksel yeniden örnekleme 1x1x1 mm³ olarak standardize edildi. MÖ için Orange Data Mining programı kullanıldı. Özellik azaltma için relieff ve fast correlation based filter (FCBF) metodları uygulandı. MÖ algoritmaları olarak k-nearest neighborhood (kNN), decision tree, random forest, logistic regression, support vector machine (SVM), naive bayes ve neural network sınıflandırmaları kullanıldı. Sınıflandırmaları karşılaştırmak için area under curve (AUC), duyarlılık (sensitivity, recall), özgüllük (spesifite), çalışma karakteristiği eğrisi (ROC), hata matriksi gibi parametreler kullanıldı. Tüm istatiksel sonuçlar için p <0,05 değeri anlamlı kabul edildi. Bulgular: OP ve OP olmayan (osteopeni + normal) ikili sınıflandırmada OP tahminin en yüksek başarıyı nöral network algoritmesi elde etti (AUC 0,87, duyarlılık 0,63, özgüllük 0,93). Düşük kemik mineral yoğunluğu (KMY) ile normal KMY'li olgulardan oluşan ikili sınıflandırmada, düşük KMY'li olguları en iyi tahmin eden SVM algoritması oldu (AUC 0,82, duyarlılık 0,73, özgüllük 0,84). Son olarak OP, osteopeni ve normal olmak üzere üçlü gruplandırma yapıldı. Osteoporotik olguları ayırt etmede en yüksek performansı Naive Bayes algoritması elde etti (AUC 0,9, duyarlılık 0,73, özgüllük 0,89). Osteopeni grubunu tahmin etmede de Naive Bayes algoritması ön plana çıktı (AUC 0,69, duyarlılık 0,33, özgüllük 0,89). Son olarak klivusun BT Hounsfield Units (HU) değerleri ROI yöntemiyle ölçüldü. Düşük KMY ile normal KMY'li olgular arasında HU değerleri anlamlı olarak farklıydı (p<0,001). Sonuç: Çalışmamızda klivusun BT tabanlı radiomics çıktılarını kullanarak elde edilen MÖ algoritmalarının OP tahmininde kullanılabileceğini ve KMY hakkında fikir verdiği gösterdik.

Özet (Çeviri)

Purpose: Osteoporosis is an important public health problem that causes significant mortality and morbidity. Therefore, early diagnosis is crucial. Our goal is to investigate the role of radiomics and machine learning (ML) algorithms in the diagnosis of osteoporosis using clivus computerized tomography images. Material and method: Our study retrospectively included 140 ceses who had undergone both DEXA and craniofacial CT examinations in one year period in our institution. Patients were separated into three groups according to their DEXA T-scores; 30 for osteoporosis, 33 for osteopenia, and 77 for normal. The three-dimensional segmentation process and the extraction of radiomics features were performed with the“3D slicer”program by a single physician. The trabecular bone components of the clivus were segmented manually. Radiomics output consists of original, fine-coarse Laplacian of Gaussian and wavelet transform filtered images. A total of 1023 radiomics features were analysed. Voxel resampling was standardized at 1x1x1 mm³. ML was performed using the Orange Data Mining software. The relief and fast correlation based filter (FCBF) methods were used for feature reduction. The K-nearest neighborhood (kNN), decision tree, random forest, logistic regression, support vector machine (SVM), naive Bayes, and neural network were used as ML alogarithms. Parameters like AUC, sensitivity (recall), specificity, receiver operating characteristic curve (ROC) and confusion matrix were used to compare the results. P-values < 0.05 were considered as significant. Results: In the binary classification of osteoporosis and non-osteoporosis (osteopenia + normal), the neural network algorithm achieved the highest success in predicting osteoporosis (AUC 0.87, sensitivity 0.63, specificity 0.93). In the other binary classification of patients with low bone mineral density (BMD) and normal BMD, the SVM algorithm was the best predictor of patients with low BMD (AUC 0.82, sensitivity 0.73, specificity 0.84). Finally, the multiclass classification was performed as osteoporosis, osteopenia and normal. The Naive Bayes algorithm performed best in identifying patients with osteoporosis (AUC 0.9, sensitivity 0.73, specificity 0.89) and osteopenia (AUC 0.69, sensitivity 0.33, specificity 0.89). Finally, CT Hounsfield Units (HU) values of the clivus were measured by the ROI method. HU values were significantly different between low BMD and normal BMD cases (p<0,001). Conclusions: İn this study, we demonstrated that the ML methods derived from radiomics outputs of the CT-based analysis of the clivus may be used to diagnose osteoporosis and predict BMD.

Benzer Tezler

  1. Tez No

    493489

    Sella konfigürasyonu ile sfenoid sinüs anatomik varyasyonlarının korelasyonu ve transsfenoidal hipofiz cerrahisi üzerine etkisi

    Correlati̇on of sella confi̇gurati̇on wi̇th sphenoi̇d si̇nus anatomi̇c vari̇ati̇ons and i̇ts effect on transsphenoi̇dal pi̇tui̇tary surgery

    AYNUR NURIYEVA

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2017

    Kulak Burun ve Boğazİzmir Katip Çelebi Üniversitesi

    Kulak, Burun, Boğaz Hastalıkları Ana Bilim Dalı

    DOÇ. DR. ABDÜLKADİR İMRE

  2. Tez No

    395949

    İntrakraniyal tümörlerin flat-panel BT anjiografi ile preoperatif değerlendirilmesi

    Assesment of intracranial tumors preoperatively with the use of flat-panel CT angiography

    ÖZLEM KORKMAZ

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2014

    Radyoloji ve Nükleer Tıpİstanbul Üniversitesi

    Radyoloji Ana Bilim Dalı

    PROF. DR. OSMAN KIZILKILIÇ

  3. Tez No

    697531

    Fossa Cranii Posterior'a ait anatomik yapıların nörogörüntüleme tekniği ile morfometrik analizi ve klinikte görülen patolojilerle ilişkisi

    Morphometric analysis of the anatomical structures of Posterior Cranial Fossa with neuroimaging technique and its relation with clinical pathologies

    DERYA DEMİR

    Yüksek Lisans

    Türkçe

    Türkçe

    2021

    AnatomiOndokuz Mayıs Üniversitesi

    Anatomi Ana Bilim Dalı

    DOÇ. DR. MENNAN ECE PİRZİRENLİ

  4. Tez No

    863315

    Posterior atlanto-oksipital transartiküler klival vida tekniği; anatomik kadavra çalışması

    Posterior atlanto-occipital transarticular clival screw technique; an anatomical cadaver study

    MACİT TERZİ

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2024

    NöroşirürjiAnkara Üniversitesi

    Beyin ve Sinir Cerrahisi Ana Bilim Dalı

    PROF. DR. AYHAN ATTAR

  5. Tez No

    412738

    Klivus ve foramen magnum ölçüleri ile posterior kranial fossa hacminin temporal BT görüntüleri aracılığıyla cinsiyet tahmininde kullanılması

    Estimation of sex from morphometric values of clivus and foramen magnum and volume of posterior cranial fossa BY using computerized tomography images

    SÜMEYRA DEMİR

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2014

    Adli TıpPamukkale Üniversitesi

    Adli Tıp Ana Bilim Dalı

    PROF. DR. KEMALETTİN ACAR

Geri Dön