Akademik Veri Yönetim Sistemi
Tezin Türü: Tıpta Uzmanlık
Tezin Yürütüldüğü Kurum: Kocaeli Üniversitesi, Tıp Fakültesi, Dahili Tıp Bilimleri, Türkiye
Tezin Onay Tarihi: 2020
Tezin Dili: Türkçe
Öğrenci: CEYLAN ALTINTAŞ TAŞLIÇAY
Danışman: Özgür Çakır
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
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. Anahtar Sözcükler:Yüksek Grade Menenjiom, Fibröz Menenjiom, Makina öğrenmesi, Radiomiks, Semantik özellikler