İntrakranial hemorajilerde UNET tabanlı derin sinir ağları ile beyin BT görüntülerinin otomatik segmentasyonu ve volümetrik analizi
Tezin Türü: Tıpta Uzmanlık
Tezin Yürütüldüğü Kurum: Sağlık Bilimleri Üniversitesi, İSTANBUL BAĞCILAR SAĞLIK UYGULAMA VE ARAŞTIRMA MERKEZİ, DAHİLİ TIP BİLİMLERİ BÖLÜMÜ, Türkiye
Tezin Onay Tarihi: 2023
Tezin Dili: Türkçe
Öğrenci: MURAT YÜCE
Danışman: Ahmet Tan CİMİLLİ
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Giriş ve Amaç: İntrakranial kanamaları yıllık insidansı 24.6/100.000 'e ulaşan mortalite oranı yüksek tablolardır ve 30 günlük mortalite oranı %35 ile %52 arasında değişiklik gösterebilmektedir. İntrakranial kanaması olan hastalarda mortalite ve morbiditeyi önlemede kanamayı erken tespit etmek hayati önem taşımaktadır. Ayrıca yapılan çalışmalarda hemoraji hacminin mortaliteyi tahmin etmede önemli bir belirteç olduğu da ortaya konulmuştur. Beyin BT görüntüleme ile intrakranial kanama ve alt tipleri yüksek duyarlılık ve özgüllük ile tespit edilebilmektedir. Araştırmalar her 1000 acil servis başvurusunda yaklaşık 78 beyin BT görüntüleme yapıldığını ve bu sayının yıllar içerisinde artış gösterdiğini bildirmektedir. Bu durum görüntülerin yorumlanma sürecini hızlandıracak ve beraberinde tanıda duyarlılık ve özgüllüğü artırabilecek otomatize karar destek sistemlerine ihtiyacı artırmaktadır. Bu bilgilere dayanarak, biz de çalışmamızda kanama bulgusu olan ve olmayan kontrastsız beyin BT görüntülerini işaretleyerek UNET tabanlı derin öğrenme algoritmaları eğitip beyin kanaması otomatik segmentasyonu ve alt tip (intraparankimal, intraventriküler, subaraknoid, epidural ve subdural kanama) sınıflaması yapmayı amaçladık. Gereç ve Yöntem:2021 yılı ve öncesinde Bağcılar Eğitim ve Araştırma Hastanesi HBYS kayıtlarında mevcut beyin BT raporları üzerinden yaptığımız tarama sonucu 500 adet, RSNA veri setinden 517 adet, QURE500 veri setinden 491 adet kontrastsız beyin BT görüntüsü yorumlamayı tamamen engelleyecek düzeyde artefakt barındırmaması kriteri ile ve tüm yaş grubundan hastalardan oluşacak şekilde araştırmamıza dahil edilmiştir. Toplam 1508 BT görüntüsü 9 ayrı sınıfta (Beyin parankimi, Serebrospinal sıvı (SSS), Ödem, IPH, IVH,SDH,EDH,SAH, Pnömosefali) voksel düzeyinde etiketlenmiştir ve temel etiket seti oluşturulmuştur. Elde edilen tüm görüntüler ve etiketlemeler nifti formatında saklanmıştır. Sonrasında Python yazılım dilinde oluşturulmuş nilabels (v.0.0.8) kütüphanesi kullanılarak temel etiket setindeki sınıfların farklı kombinasyonlarla birleştirilmesi ve bazı sınıfların çıkarılması ile 5 ayrı etiket seti daha oluşturulmuştur. Segmentasyon model mimarisi olarak 3D Unet kullanılmış olup geliştirme sürecinde nnUNet çerçevesi tercih edilmiştir. Model eğitim setlerinde 1007, validasyon setlerinde 251, test setlerinde ise 249 BT serisi bulunmakta olup setlerin ayrımında "MultilabelStratifiedShuffleSplit" metodu tercih edilmiş ve 5 kat çapraz validasyon uygulanmıştır. Test setinde elde edilen model performansları ANOVA ve Tukey post hoc analizleri ile karşılaştırılmış, istatistiksel anlamlılık için p 0.05). Etiket sayısında artışla birlikte minimal düzeyde dice skorlarında azalma trendi dikkati çekmektedir Radiomics ardıl işlemleme sonrası modellerin duyarlılık değeri ortalama %4.6 (±0,72) azalırken özgüllük değerleri ortalama %8.83 (±2.85) artış göstermiştir, bununla birlikte f1 skorlarında anlamlı bir değişiklik gözlenmemiştir. İşaretlemelerde değerlendiriciler arası uyum için Cohen's Kappa analizinde beyin parankiminde %98.6, SSS'de %95.6, beyin ödeminde %87.4, IVH'ta %88.4, SDH'ta %78.4, EDH'ta %88, SAH'ta %85.3, pnömosefalide %94.4 düzeyinde uyum bulunmaktadır. Manüel ölçümler ile model ölçümleri arasında hacim değerleri bakımından SAH, SDH ve EDH sınıfları haricinde tüm sınıflarda %95 ve üzeri korelasyon bulunmaktadır, SAH sınıfında en düşük %83.8 en yüksek %92, SDH sınfında %85.3, EDH sınıfında ise %55.2 korelasyon tespit edilmiştir. Sonuç: Beyin kanamaları travmatik ve non-travmatik sebeplerle karşımıza çıkabilen morbidite ve mortalitesi yüksek tablolardır. Özellikle acil servislerde ilk başvuruda tanının hızlı konulması ve hasta ciddiyetinin belirlenmesi ve buna göre takip ve tedavi süreçlerinin planlanması için ilk görüntüleme yöntemi olarak beyin BT tercih edilmektedir. Geliştirdiğimiz modeller vasıtasıyla yüksek duyarlılık ve özgüllükte ve düşük yalancı negatiflik ile beyin kanamalarını kontrastsız beyin BT görüntülerinde otomatik olarak tespit edebilmekte ve kanama alt sınıfını da yine görece yüksek doğrulukta belirleyebilmekteyiz. Bu sayede hasta triajının sağlanmasında ve görüntüleme-yorumlama süreçleri arasında geçen vakit kayıplarının önlenmesinde fayda sağlanacağını düşünüyoruz. Önerdiğimiz yöntemin aynı zamanda doğru ve objektif bir volümetrik analiz sağlaması ve 3 boyutlu görsel sonuçlar oluşturabilmesi sayesinde hastaların mortalite ve morbiditelerinin değerlendirilmesinde ve gereğinde cerrahi girişimlerinin planlanmasında önemli katkılar sağlayacağını düşünüyoruz. Çalışmamızda kanama tespiti ve hacimsel ölçümü bakımından literatürde farklı veri setleri ile geliştirilmiş modeller ile benzer sonuçlar elde edilmiştir. Ancak voksel bazlı değerlendirmelerde geliştirdiğimiz modellerin dice skorları görece düşüktür. Model geliştirme sürecinde farklı kaynak, yaş grubu ve yorumlamayı tamamen engellemeyecek artefaktlar gibi suboptimal görüntülemelerin de veri setlerine dahil edilmesi bu durumu kısmen açıklamaktadır. Bununla birlikte literatürdeki çalışmalardan farklı olarak araştırmamızda potansiyel bir beyin kanama vakasına ait bir kontrastsız beyin BT'de en önemli patolojiler olan beyin ödemi, pnömosefali varlığı, kanama alt tiplerinin belirlenmesi, beyin parankimi-serebrospinal sıvı ve ilgili patolojiler arasındaki hacim ilişkisinin tek seferde ve tek bir model ile değerlendirilmesine olanak sağlamaktadır. Ayrıca bildiğimiz kadarı ile çalışmamız sınıf sayısının segmentasyon model başarısına etkisini, radiomics ardıl işlemlemenin yalancı pozitifliği azaltmadaki rolünü ve otomatik pnömosefali segmentasyonunu ortaya koyan literatürdeki ilk çalışmadır.