Your browser does not support JavaScript!

Αρχική    Artificial intelligence in bone marrow imaging : Development of novel machine learning strategies for the diagnosis and classification of benign bone marrow pathology with the use of magnetic resonance imaging (MRI)  

Αποτελέσματα - Λεπτομέρειες

Προσθήκη στο καλάθι
[Προσθήκη στο καλάθι]
Κωδικός Πόρου 000455955
Τίτλος Artificial intelligence in bone marrow imaging : Development of novel machine learning strategies for the diagnosis and classification of benign bone marrow pathology with the use of magnetic resonance imaging (MRI)
Άλλος τίτλος Τεχνητή νοημοσύνη στην απεικόνηση του οστικού μυελού
Συγγραφέας Κλώντζας, Μιχαήλ
Σύμβουλος διατριβής Καραντάνας Απόστολος
Μέλος κριτικής επιτροπής Μαριάς, Κώστας
Ζιμπής, Αριστείδης
Τσέτης, Δημήτριος
Περυσινάκης, Κωνσταντίνος
Φωτιάδης, Δημήτριος
Κρανιώτη, Ελενα
Περίληψη Το οίδημα του οστικού μυελού αποτελεί ένα μη-ειδικό εύρημα το οποίο συνοδεύει μια σειρά παθήσεων που επηρεάζουν το μυελό των οστών όπως το τραύμα, τα οξέα σύνδρομα οιδήματος του οστικού μυελού (παροδική οστεοπόρωση και περιοχική μεταναστευτική οστεοπόρωση), το σύνδρομο χρόνιου περιοχικού πόνου, η ανάγγεια νέκρωση (οστεονέκρωση) της μηριαίας κεφαλής, λοιμώξεις, φλεγμονώδεις αρθροπάθειες, προχωρημένη οστεοαρθρίτιδα, τενοντοπάθειες, πρωτοπαθείς κακοήθειες και μεταστάσεις. Η απεικονιστική μέθοδος εκλογής για την απεικόνιση του οιδήματος στον οστικό μυελό είναι η Μαγνητική Τομογραφία με ακολουθίες ευαίσθητες στα υγρά. Η απεικόνιση του οστεομυελικού οιδήματος σε μαγνητική τομογραφία μπορεί να περιπλέξει τη διαφορική διάγνωση παθήσεων που επηρεάζουν τον οστικό μυελό, δημιουργώντας διαγνωστικά διλήμματα που προβληματίζουν όχι μόνο γενικούς ακτινολόγους αλλά και ακτινολόγους με εξειδίκευση στο μυοσκελετικό σύστημα. Τέτοια διλήμματα στην καθημερινή διαγνωστική πράξη αποτελούν (α) η διαφορική διάγνωση παροδικής οστεοπόρωσης του ισχίου από οστεονέκρωση της μηριαίας κεφαλής, (β) η διάκριση μετ αξύ κατάγματος ανεπάρκειας του γόνατος και προχωρημένης οστεοαρθρίτιδας η οποία συνοδεύεται από οστεομυελικό οίδημα και (γ) η ακριβής σταδιοποίηση της ανάγγειας νέκρωσης της μηριαίας κεφαλής. Η ακριβής διάγνωση στις προαναφερθείσες περιπτώσεις είναι εξαιρε τικής σημασίας καθώς μπορεί να καθοδηγήσει την απόφαση για χειρουργική θεραπεία (νέκρωση κεφαλής, προχωρημένη οστεοαρθρίτιδα) σε σχέση με συντηρητική θεραπεία (παροδική οστεοπόρωση, κάταγμα ανεπάρκειας γόνατος). Επίσης ακριβής σταδιοποίηση της ανάγγειας νέκρωσης της μηριαίας κεφαλής καθορίζει την απόφαση για ολική αρθροπλαστική του ισχίου σε προχωρημένα στάδια της νόσου. Ο στόχος της παρούσας διατριβής είναι η χρήση σύγχρονων μεθόδων ραδιωμικής ανάλυσης και τεχνητής νοημοσύνης για την επίλυση των προαναφερθ έντων διαγνωστικών διλημμάτων. Η ραδιωμική ανάλυση αποτελεί μέθοδο με την οποία εξάγονται λεπτομερή δεδομένα από ιατρικές εικόνες τα οποία χρησιμοποιούνται στη συνέχεια για τον ακριβή χαρακτηρισμό περιοχών ενδιαφέροντος. Η τεχνητή νοημοσύνη μπορεί να προσφέρει μεθόδους για την ανάλυση δεδομένων ραδιωμικής καθώς και για την ανάλυση ολόκληρης εικόνας με μοντέλα βαθιάς μάθησης (deep learning). Για6 τους σκοπούς της παρούσας διατριβής δεδοµένα ραδι ωµικής εξήχθησαν από εικόνες µαγνητικής τοµογραφίας εγγύς µηριαίων µε παροδική οστεοπόρωση ή οστεονέκρωση της µηριαίας κεφαλής . Τα δεδοµένα αυτά χρησιµοποιήθηκαν για την εκπαίδευση µοντέλων µηχανικής µάθησης για τη διάκριση µεταξύ των δυο παθήσεων. Τα µοντέλα αυτά πέτυχαν άριστη διάκριση µεταξύ των δύο παθήσεων, ενώ έδωσαν διαγνώσεις µε ακρίβεια όµοια µε ακτινολόγους που έχουν λάβει εξειδικευµένη εκπαίδευση στο µυοσκελετικό σύστηµα. Η µέθοδος αυτή φάνηκε να έχει καλύτερα αποτελέσµατα σε σχέση µε γενικό ακτινολόγο. Στη συνέχεια, σε µια προσπάθεια πλήρους αυτοµατοποίησης τ ης διαγνωστικής διαδικασίας και αποφυγής λαθών που σχετίζονται µε τη χρονοβόρα διαδικασία εξαγωγής δεδοµένων ραδιωµικής, χρησιµοποιήθηκαν τρία µοντέλα βαθιάς µάθησης που εκπαιδεύτηκαν να αναγνωρίζουν εικόνες παροδικής οστεοπόρωσης και οστεονέκρωσης. Τα µον τέλα αυτά έλαβαν συναινετική απόφαση για τη σωστή διάγνωση σε κάθε εικόνα, αποδίδοντας καλύτερα από ακτινολόγους µυοσκελετικού. Οµοίως µοντέλα βαθιάς µάθησης εκπαιδεύτηκαν να διακρίνουν µεταξύ υποχόνδρινων καταγµάτων ανεπάρκειας του γόνατος και προχωρηµένη ς οστεοαρθρίτιδας. Ο συνδυασµός των µοντέλων αυτών απέδωσε καλύτερα ή το ίδιο σε σχέση µε ειδικούς ακτινολόγους. Τέλος, βαθιά µάθηση χρησιµοποιήθηκε για τη διάκριση µεταξύ πρώιµης ( ARCO 1-2) και προχωρηµένης (ARCO 3-4) οστεονέκρωσης της µηριαίας κεφαλής. Η συναινετική απόφαση τριών µοντέλων βαθιάς µάθησης απέδωσε εξαιρετικά στη διάγνωση µεταξύ των δυο καταστάσεων. Προκειµένου µάλιστα να επιβεβαιωθεί η απόδοση των µοντέλων έγινε αξιολόγησή τους µε τη χρήση εικόνων από κέντρο του εξωτερικού και στη συνέχεια πραγµατοποιήθηκε σύγκριση µε τη διάγνωση από δυο εξειδικευµένους ακτινολόγους µυοσκελετικού. Παρά τη µικρή µείωση στην απόδοση των µοντέλων όταν δοκιµάστηκαν σε εξωτερικά δεδοµένα, φάνηκε να διατηρούν υψηλή συνολική απόδοση η οποία κρίθηκε όµοια µε την απόδ οση των δυο εξειδικευµένων ακτινολόγων. Συµπερασµατικά, τα αποτελέσµατα που παρουσιάζονται στην παρούσα διδακτορική διατριβή επιβεβαιώνουν ότι η ραδιωµική ανάλυση και µέθοδοι τεχνητής νοηµοσύνης όπως η βαθιά µάθηση µπορούν να αποδώσουν εξαιρετικά στη λήψη συγκεκριµένων διαγνωστικών αποφάσεων οι οποίες σχετίζονται µε την παρουσία οστεοµυελικού οιδήµατος και οι οποίες προκαλούν διλήµµατα στην καθ’ ηµέρα διαγνωστική πράξη των γενικών και εξειδικευµένων ακτινολόγων.
Φυσική περιγραφή 105 [41] σ. : σχεδ., πιν., εικ.(μερ. εγχρ.) ; 30 εκ.
Γλώσσα Αγγλικά
Θέμα A vascular necrosis
Deep learning
Radiomics
Transient osteoporosis
Ακτινολογία
Μαγνητική τομογραφία
Οστεονέκρωση
Οστικός μυελός
Παροδική οστεοπόρωση
Ραδιωμική
Ημερομηνία έκδοσης 2023-07-28
Συλλογή   Σχολή/Τμήμα--Ιατρική Σχολή--Τμήμα Ιατρικής--Διδακτορικές διατριβές
  Τύπος Εργασίας--Διδακτορικές διατριβές
Εμφανίσεις 729

Ψηφιακά τεκμήρια
No preview available

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