Yüksek dereceli glial tümörlerde psödoprogresyon ve gerçek tümör progresyonunun ayrımında radyomik ve makine öğrenmesi
| dc.contributor.advisor | Kitiş, Ömer | |
| dc.contributor.author | Türk, Sevcan | |
| dc.date.accessioned | 2021-11-22T07:22:18Z | |
| dc.date.available | 2021-11-22T07:22:18Z | |
| dc.date.issued | 2018 | en_US |
| dc.date.submitted | 2018 | |
| dc.department | Ege Üniversitesi, Tıp Fakültesi, Dahili Bilimler Bölümü, Radyoloji Ana Bilim Dalı | en_US |
| dc.description.abstract | İntrakranial neoplazilerin tedavi cevabının değerlendirilmesi hastanın prognozu ve tedavi yönetimi açısından önemlidir. Amacımız radyolojik doku analizi (‘texture’ analizi veya radyomik) ve makine öğrenmesi algoritmaları kullanarak psödoprogresyon ve gerçek tümör progresyonu ayrımını yapmak, texture analizi (radyolojik doku analizi) ile insan gözünün ayırt edemediği farklılıkları ortaya koymaktır. Histopatolojik tanısı mevcut 12 psödoprogresyon ve 38 tane gerçek progresyon hastası çalışmaya dahil edildi. Prekontrast ve postkontrast T1A, T2A, FLAIR, ADC, CBV, CBF, K2, MTT haritaları kullanıldı. Makine öğrenmesi algritmaları için segmentasyonlar manuel olarak ücretsiz ITK-SNAP versiyon 3.6 yazılımı kullanılarak kıdemli (asistanlığının son yılına girmiş) radyoloji asistanı tarafından yapıldı. Solid kontrastlanan tümör alanı, solid kontrastlanmayan tümör alanı, nekroz, ödem, kist, kanama alanları manuel olarak çizilerek segmente edildi. Radyolojik doku özellikleri (‘texture features’) birinci ve ikinci derece istatistik yöntemleri ile oluşturuldu. İstatistik analizler için Students t-test ve ROC eğrileri, tek yönlü ANOVA ve post-hoc Bonferroni kullanıldı. Makine öğrenmesi yöntemlerinden RF (‘Random Forest’) kullanıldı. Veri setinin % 70’i eğitim için kullanılırken %30’u test için ayrılmıştı. 1. ve 2. visitler için nodüler tarzda kontrastlanma elimizdeki vaka serisinde daha çok psödoprogresyon hastalarında izlendi (1. Visit OR: 0.14, 2.visit OR: 0.19). CBV ve CBF değerlerinin düşük olması psödoprogresyon lehine idi (OR: 0.09, p<0.01). Kontrastlanan alan boyutunda bir önceki tetkike kıyasla %25’ten fazla artış izlenmesi psödoprogresyon lehine idi (OR:0.1, p<0.03). FLAIR hiperintens alan hacminde %50 ve daha fazla artış psödoprogresyon lehine idi (OR:0.2, p<0.04). Diğer belirteçler ile hasta grupları arasında istatistiksel anlamlı korelasyon saptanmadı. Birinci vizit için hiçbir radyolog perfüzyon ve konvansiyonel sekansları kullanarak psödoprogresyon ve gerçek progresyon gruplarını istatistiksel anlamlı olarak ayırmayı başaramazken, RF klasifikasyon modeli %70 doğrulukla yalnızca konvansiyonel sekansları kullanarak grupları klasifiye etmeyi başardı. Üçüncü visit için radyologların grupları ayırmadaki tahmin başarıları %72 ve %62 iken aynı visit için RF klasifikasyon modeli %81 doğruluk ile grupları klasifiye etmeyi başardı. Radyolojik imajların daha iyi analiz edilmesi radyologlar ile makine algoritmalarının bir araya gelmesi ile mümkün olacaktır. | en_US |
| dc.description.abstract | Purpose: Patients undergoing treatment for high-grade gliomas may exhibit indistinguishable MRI ndings of true tumor progression from pseudoprogression. We employed to shape and texture features on a machine learning algorithm to make accurate predictions compared to human observations. Materials and Methods: Three consecutive studies prior to a denitive biopsy in 50 high-grade glioma patients who underwent treatment were evaluated. The last study before revision surgery with a known pathology result (12 pseudoprogression and 38 true progressions) was chosen as the nal time point. Pre-post-contrast T1, T2, FLAIR, ADC, CBV, CBF, K2, MTT maps were reviewed by 2 neuroradiologists. Patterns of enhancement, ADC maps, CBV, CBF, MTT, K2 values, perifocal FLAIR signal intensity changes were recorded. Odds ratios (OR) for each statement, raters' success of predicting true and pseudoprogression and inter-observer reliability were calculated with R statistics software. To compare the texture parameters and histogram parameters of pseudo and true progression groups, the unpaired Student's t-test and receiver operating characteristic (ROC) analysis were applied. All rst-order and second-order image texture features and shape features were used for training and testing Random Forest classier (RFC). Results: For the first visit, none of the observers could identify true progression. For the first and second visits, the rater's success of prediction for the visits before biopsy were %72 and %62. The AUC for the same visits with RFC was %81, the success by using first order texture analysis alone was between %61 and %68. For the first visit, the AUC of the RFC model was %70 where secondorder texture analysis could distinguish the groups between %65 and %67. Conclusions: Radiologists success by using both conventional MRI and perfusion maps was lower than RF classier success using conventional MRI images alone. Second order texture features were useful to make better predictions than human raters. | en_US |
| dc.identifier.uri | https://hdl.handle.net/11454/73430 | |
| dc.language.iso | tr | en_US |
| dc.publisher | Ege Üniversitesi, Tıp Fakültesi | en_US |
| dc.relation.publicationcategory | Tez | en_US |
| dc.rights | info:eu-repo/semantics/openAccess | en_US |
| dc.subject | Makine Öğrenmesi | en_US |
| dc.subject | Texture Analizi | en_US |
| dc.subject | Psödoprogresyon | en_US |
| dc.subject | Machine Learning | en_US |
| dc.subject | Texture Analysis | en_US |
| dc.subject | Pseudoprogression | en_US |
| dc.title | Yüksek dereceli glial tümörlerde psödoprogresyon ve gerçek tümör progresyonunun ayrımında radyomik ve makine öğrenmesi | en_US |
| dc.title.alternative | Radiomics and machine learning in the differentiation of pseudoprogression and true tumor progression in high-grade gliomas | en_US |
| dc.type | Specialist Thesis | en_US |
