Makine öğrenmesi yöntemleri ile epikardiyal yağ doku yapısal özellikleri ve koroner arter hastalığı arasındaki ilişkinin araştırılması
Investigation of the relationship between structural features of epicardial adipose tissue and coronary artery disease using machine learning methods
- Tez No: 980063
- Danışmanlar: DR. ÖĞR. ÜYESİ EMİNE ŞEBNEM DURMAZ
- Tez Türü: Tıpta Uzmanlık
- Konular: Radyoloji ve Nükleer Tıp, Radiology and Nuclear Medicine
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: İstanbul Üniversitesi-Cerrahpaşa
- Enstitü: Cerrahpaşa Tıp Fakültesi
- Ana Bilim Dalı: Radyoloji Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Amaç: Çalışmamızın amacı; koroner arter kalsiyum skorlama protokülüne ait kontrastsız bilgisayarlı tomografi (BT) görüntüleri üzerinden epikardiyal yağ dokunun (EYD) segmente edilerek yapısal özelliklerinin çıkarılması ve bu özelliklerin total kalsiyum skoru (TKS) ve kardiyovasküler risk faktörleri ile birlikte makine öğrenmesi yöntemleri kullanılarak; koroner arter hastalığının (KAH) ciddiyetini öngörmedeki değerinin değerlendirilmesidir. Gereç ve Yöntem: Ocak 2021 – Mayıs 2025 tarihleri arasında KAH şüphesiyle koroner BTA tetkiki yapılan toplam 417 hastaya ait görüntüler retrospektif olarak değerlendirildi. Çalışmada, kalsiyum skorlama protokolüne ait kontrastsız BT görüntüleri kullanıldı ve bu görüntüler üzerinden EYD manuel yöntemle segmente edildi. Segmentasyon verilerinden elde edilen yapısal özellikler, hastalara ait TKS ve kardiyovasküler risk faktörleri ile birleştirilerek analiz edildi. Bu veriler kullanılarak hem derin öğrenme algoritmaları (tek kipli ve çok kipli modeller) hem de klasik makine öğrenmesi yöntemleri ile tahmin modelleri oluşturuldu. Oluşturulan modellerin tanısal performansları, duyarlılık, özgüllük, doğruluk, F1 skoru ve ROC eğrisi altında kalan alan (AUC) gibi standart metrikler kullanılarak değerlendirildi. Bulgular: UNet3D mimarisine sahip derin öğrenme modelleri çalışmanın birincil sonlanım noktası olan CAD-RADS ≥ 3 olguları öngörmede yüksek performans göstermiştir. En yüksek performans çok kipli modelde elde edilmiş olup segmentasyon verilerine kardiyovasküler risk faktörleri ve TKS verilerinin eklenmesi model başarısına önemli katkıda bulunmuştur. Sonuç: Çalışmamız, EYD'ye ait yapısal özelliklerin, TKS ve temel kardiyovasküler risk faktörleriyle entegre edilmesiyle, KAH şiddetini öngörmede yapay zeka temelli modellerin etkili bir şekilde kullanılabileceğini göstermiştir.
Özet (Çeviri)
Aim: The aim of this study was to segment epicardial adipose tissue (EAT) from non-contrast computed tomography (CT) images obtained in the coronary artery calcium scoring protocol, to extract its structural features, and to evaluate the value of these features—together with total calcium score (TCS) and cardiovascular risk factors—in predicting the severity of coronary artery disease (CAD) using machine learning methods. Materials and Methods: Between January 2021 and May 2025, coronary computed tomography angiography (CTA) examinations of 417 patients with suspected CAD were retrospectively analyzed. Non-contrast CT images from the calcium scoring protocol were used, and EAT was manually segmented. Structural features extracted from the segmentation data were combined with TCS and cardiovascular risk factors for analysis. Using these data, both deep learning algorithms (unimodal and multimodal models) and classical machine learning methods were developed to predict CAD severity. The diagnostic performance of the models was evaluated using standard metrics, including sensitivity, specificity, accuracy, F1-score, and the area under the receiver operating characteristic curve (AUC). Results: Deep learning models based on the U-Net3D architecture demonstrated high performance in predicting cases with CAD-RADS ≥ 3, which was defined as the primary endpoint of the study. The best performance was achieved in the multimodal model, where the integration of segmentation data with cardiovascular risk factors and TCS significantly improved model accuracy. Conclusion: This study demonstrated that artificial intelligence–based models integrating structural features of EAT with total calcium score and fundamental cardiovascular risk factors can effectively predict the severity of coronary artery disease.
Benzer Tezler
- Çocuklarda subklinik ateroskleroz için yeni yaklaşım: Yapay zekâ destekli risk sınıflaması
A new approach for subclinical atherosclerosis in children: Artificial intelligence-supported risk classification
İDİL AK GÜNDOĞDU
Tıpta Uzmanlık
Türkçe
2025
Çocuk Sağlığı ve Hastalıklarıİstanbul Medeniyet ÜniversitesiÇocuk Sağlığı ve Hastalıkları Ana Bilim Dalı
DOÇ. DR. ÖYKÜ İSAL TOSUN
- Makine öğrenmesi yöntemleri ile glokom hastalığının teşhisi
Diagnosis of glaucoma by machine learninhs methods
ŞERİFE HACİEFENDİOĞLU
Yüksek Lisans
Türkçe
2012
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSelçuk ÜniversitesiElektronik ve Bilgisayar Sistemleri Eğitimi Ana Bilim Dalı
PROF. DR. HAKAN IŞIK
- Makine öğrenmesi yöntemleri ile vakıf üniversiteleri doluluk tahminlemesi
Foundation universities occupancy estimation through machine learning methods
TUĞBA KIRAL ÖZKAN
- Makine öğrenmesi yöntemleri ile network üzerinde saldırı tespiti
Intrusion detection on network with machine learning
MEHMET ZAHİD YILDIRIM
Yüksek Lisans
Türkçe
2017
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKarabük ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. ABDULLAH ÇAVUŞOĞLU
- Makine öğrenmesi yöntemleri ile arı alt türlerinin sınıflandırılması
Classification bee subspaces by machine learning methods
HASAN DEMİR
Yüksek Lisans
Türkçe
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolDüzce ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. PAKİZE ERDOĞMUŞ