Your browser does not support JavaScript!

Αρχική    Developing a comprehensive radiomic analysis workflow for the detection of prostate cancer aggressiveness on T2weighted MR prostate data  

Αποτελέσματα - Λεπτομέρειες

Προσθήκη στο καλάθι
[Προσθήκη στο καλάθι]
Κωδικός Πόρου 000457825
Τίτλος Developing a comprehensive radiomic analysis workflow for the detection of prostate cancer aggressiveness on T2weighted MR prostate data
Άλλος τίτλος Ανάπτυξη μοντέλων ραδιομικής ανάλυσης για την ανίχνευση της επιθετικότητας του καρκίνου του προστάτη σε Τ2w εικόνες προστάτη μαγνητικής τομογραφίας
Συγγραφέας Ζαφείρης, Στυλιανός
Σύμβουλος διατριβής Μαριάς, Κωνσταντίνος
Μανίκης, Γεώργιος
Ζερβάκης, Μιχάλης
Περίληψη Ο καρκίνος του προστάτη είναι ο δεύτερος πιο συχνός καρκίνος που διαγιγνώσκεται στον ανδρικό πληθυσμό παγκοσμίως, επηρεάζοντας 1,4 εκατομμύρια άνδρες ετησίως. Η πρώιμη αξιολόγηση της κακοήθειας είναι κρίσιμη για τον σχεδιασμό της θεραπείας και την επέκταση του προσδόκιμου ζωής των ασθενών. Οι απεικονιστικές μέθοδοι, όπως η Μαγνητική Τομογραφία, χρησιμοποιούνται για την μη-επεμβατική κατηγοριοποίηση των ασθενών, ώστε να αποφασιστεί η κατάλληλη θεραπεία τους ανάλογα με τον βαθμό κακοήθειας. Ο τομέας της ραδιομικής προσφέρει μία μεγάλη ποσότητα απεικονιστικών χαρακτηριστικών που περιγράφουν το φαινότυπο του καρκίνου και μπορούν να χρησιμοποιηθούν για την εκπαίδευση μοντέλων μηχανικής μάθησης, με σκοπό την πρόβλεψη του βαθμού της επιθετικότητας του όγκου. Η αποδοτική εκπαίδευση τέτοιων μοντέλων προϋποθέτει την ύπαρξη μεθόδων επιλογής χαρακτηριστικών, ώστε να μειωθεί η υψηλή διάσταση του χώρου των χαρακτηριστικών και να διασφαλιστεί η επιλογή συναφών και χρήσιμων χαρακτηριστικών για την πρόβλεψη. Στόχος της παρούσας μελέτης είναι η χρήση και η αξιολόγηση των πιο ευρέως χρησιμοποιούμενων μεθόδων επιλογής χαρακτηριστικών και ταξινομητών, προκειμένου να προβλεφθεί η επιθετικότητα του καρκίνου, καθώς και η ανάλυση της επιρροής διάφορων μεθόδων προ-επεξεργασίας εικόνων στην απόδοση των μοντέλων. Ένα δημόσια διαθέσιμο σύνολο δεδομένων με εικόνες από διαφορετικούς προμηθευτές μαγνητικών τομογράφων, το οποίο περιλαμβάνει 225 δείγματα με κλινικά σημαντικό καρκίνο του προστάτη από 220 ασθενείς, χρησιμοποιήθηκε για την ανάλυση. Τα δείγματα διαχωρίστηκαν σε δύο ομάδες βάση του σκορ ISUP το οποίο εξήγαγαν κλινικοί. Η πρώτη ομάδα δειγμάτων (ν=135) συμπεριλαμβάνει τα δείγματα με ISUP σκορ ίσο με 2 (λιγότερο επιθετικός, αλλά κλινικά σημαντικός καρκίνος του προστάτη), ενώ η δεύτερη ομάδα (ν=90) περιέχει τα δείγματα με ISUP σκορ ίσο με 3, 4, ή 5 (αρκετά επιθετικός, κλινικά σημαντικός καρκίνος του προστάτη). Ο διαχωρισμός αυτός έγινε με βάση το γεγονός ότι τα δείγματα της πρώτης ομάδας έχουν καρκινικά κύτταρα όπου αναπτύσσονται πιο αργά σε αντίθεση με την μεσαία προς ραγδαία ανάπτυξη των κυττάρων στα δείγματα της δεύτερης ομάδας. Συνεπώς, η έγκαιρη ανίχνευση του βαθμού της επιθετικότητας του καρκίνου μπορεί να αποτρέψει μια περιττή επέμβαση ή να επιταχύνει την βιοψία. Μια εμπεριστατωμένη αναζήτηση των βέλτιστων μεθόδων διεξήχθη, με σκοπό την κατηγοριοποίηση της επιθετικότητας του κλινικά σημαντικού όγκου. Μέθοδοι κανονικοποίησης των τιμών της έντασης της εικόνας καθώς και η μέθοδος N4 φιλτραρίσματος χρησιμοποιήθηκαν, για να εξεταστεί ο τρόπος επιρροής τους στην απόδοση των μοντέλων. Για το αρχικό σύνολο δεδομένων και τις επεξεργασμένες εκδοχές του χρησιμοποιήθηκαν συνδυασμοί από 6 ταξινομητές και 13 μεθόδους επιλογής χαρακτηριστικών, για να καθοριστούν οι βέλτιστες παράμετροι των μοντέλων, οι οποίες μειώνουν την πιθανότητα overfitting και ταυτόχρονα αυξάνουν την ικανότητα του μοντέλου να διαχωρίζει το βαθμό επιθετικότητας του καρκίνου του προστάτη. Επιπροσθέτως, χρησιμοποιήθηκαν υβριδικές μέθοδοι επιλογής χαρακτηριστικών, με βάση τις βέλτιστες παραμέτρους όπου εξήχθησαν από την αρχική ανάλυση. Οι μέθοδοι που εξετάστηκαν στην παρούσα έρευνα έδειξαν ισορροπημένη ακρίβεια (balanced accuracy) 70% για τον καθορισμό του βαθμού του όγκου, παρέχοντας ελπιδοφόρα αποτελέσματα για την πρώιμη ανίχνευση του επιθετικού, κλινικά σημαντικού καρκίνου του προστάτη.
Φυσική περιγραφή 57 σ. : σχεδ., πιν., εικ.(μερ. εγχρ.) ; 30 εκ.
Γλώσσα Αγγλικά
Θέμα Dynamic pipeline optimization
Feature selection
Image preprocessing
Ανάλυση με χρήση ραδιομικών χαρακτηριστικών
Δυναμική βελτιστοποίηση μοντέλων μηχανικής μάθησης
Επεξεργασία εικόνας
Ημερομηνία έκδοσης 2023-07-28
Συλλογή   Σχολή/Τμήμα--Ιατρική Σχολή--Τμήμα Ιατρικής--Μεταπτυχιακές εργασίες ειδίκευσης
  Τύπος Εργασίας--Μεταπτυχιακές εργασίες ειδίκευσης
Εμφανίσεις 388

Ψηφιακά τεκμήρια
No preview available

Δεν έχετε δικαιώματα για να δείτε το έγγραφο.
Δεν θα είναι διαθέσιμο έως: 2024-07-28