Tiroid oftalmopatili hastaların manyetik rezonans görüntülerindeki orbital yapıların derin öğrenmeyle segmentasyonu ve volüm analizi

NİDA AKDAŞ

Tiroid oftalmopatili hastaların manyetik rezonans görüntülerindeki orbital yapıların derin öğrenmeyle segmentasyonu ve volüm analizi

Tezin Türü: Tıpta Uzmanlık

Tezin Yürütüldüğü Kurum: Sağlık Bilimleri Üniversitesi, İSTANBUL KANUNİ SULTAN SÜLEYMAN SAĞLIK UYGULAMA VE ARAŞTIRMA MERKEZİ, CERRAHİ TIP BİLİMLERİ BÖLÜMÜ, Türkiye

Tezin Onay Tarihi: 2026

Tezin Dili: Türkçe

Öğrenci: NİDA AKDAŞ

Danışman: İbrahim KOÇAK

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

Amaç: Tiroid oftalmopatili hastalarda orbital manyetik rezonans görüntülerinde (MRG) ekstraoküler kaslar, optik sinir, orbital yağ dokusu, lakrimal bez ve göz küresi gibi anatomik yapıların derin öğrenme tabanlı segmentasyonunu gerçekleştirmek, farklı yapay zekâ mimarilerinin performanslarını karşılaştırmak ve veri heterojenliğinin (domain shift) model performansına etkisini değerlendirmektir. Gereç ve Yöntem: Bu retrospektif gözlemsel çalışmada TOM500 veri setindeki 500 olguya ait 3 Tesla (3T) orbital MRG görüntüleri eğitim, kurum arşivinden elde edilen 30 hastaya ait 1,5 Tesla (1,5T) görüntüler dış doğrulama veri seti olarak kullanıldı. Orbital yapıların segmentasyonu için 2D Deep ResU-Net, 3D U-Net ve 3D UNETR mimarileri kullanıldı. Performans Dice, Intersection over Union (IoU), ROC eğrisi altında kalan alan (EAA) metrikleri ile değerlendirildi. Otomatik segmentasyonların klinik geçerliliği manuel segmentasyonlarla karşılaştırılarak Bland–Altman analizi ve sınıf içi korelasyon katsayısı ile incelendi. Bulgular: Tüm modeller TOM500 veri setinde yüksek performans gösterirken 3D modeller eğitim setinde üstün sonuçlar verdi. Dış doğrulamada 3D UNETR için ağırlıklı Dice 0,9538, 2D ResU-Net için 0,9510 bulundu. Buna karşın 2D model dış veri setinde daha stabil performans sergilerken, 3D modellerde domain shift etkisine bağlı performans düşüşü izlendi. Gözlemciler arası ortalama Dice 0,9264 ve IoU 0,8860 olarak hesaplandı. Küçük anatomik yapılarda hacimsel ölçümlerde değişkenlik saptandı. Sonuç: Derin öğrenme tabanlı segmentasyon yüksek klinik potansiyel göstermiştir. Ancak 3T ve 1,5T görüntüler arasındaki kalite farklılıkları model genellenebilirliğini etkilerken, küçük anatomik yapılarda segmentasyon zorluğu önemli bir sınırlılık olarak ortaya çıkmıştır.