Machine and deep learning based analysis of tumors on FDG-PET images

Bir tümörün analizi, tedavi planlamasında ve tedavi yanıtının değerlendirilmesinde esastır. Pozitron Emisyon Tomografisi (PET), tümörün metabolik yapısını anlamada klinik onkoloji için hayati bir görüntüleme cihazıdır. Bu tezde, küçük hücreli dışı akciğer kanseri (KHDAK) ve pankreas kanseri olan hastalardan alınan FDG PET görüntüleri üzerinde makine öğrenmesi, derin öğrenme ve istatistiksel yaklaşımların uygulanmasını araştıran üç ayrı çalışma yer almaktadır. İlk çalışma, farklı doku özellikleri, öznitelik seçim yöntemleri ve sınıflandırıcılar kullanılarak KHDAK'nin alt tip sınıflandırmasına odaklanmıştır. Bu çalışmada, tümör alt tipi etiketlemesi için histopatolojik doğrulama ile birlikte 92 hastanın görüntüleri ve her vaka için çeşitli klinik ve metabolik özellikler kullanılmıştır. İstifleme sınıflandırıcısı %76 doğrulukla sonuçlanmıştır. İkinci çalışmamızın amacı, maksimum standart alım değeri (SUVmax) bulunan FDG PET dilimlerinde atröz (dilate) evrişim tabanlı tümör segmentasyon yaklaşımını (DeepLabV3) uyarlamaktır. DeepLabV3'ün omurgası olarak ImageNet üzerinde önceden eğitilmiş MobileNet-v2 kullanılmıştır. Sınıflandırma katmanı, veri kümesi dengesizken modelin performansını iyileştirmeye yardımcı olan Tversky kayıp katmanıyla değiştirilmiştir. Her eğitim aşamasında 141 hastadan görüntüler ve büyütme kullanılmıştır. Dice benzerlik indeksi ön işleme olmadan 0,76 ve ön işleme ile 0,85 olarak elde edilmiştir. Son çalışma, 72 hastanın FDG PET görüntülerinde pankreas adenokarsinomunun prognozunda kullanılacak özelliklerin belirlenmesine odaklanmıştır. Rastgele yürüyüş segmentasyon algoritmasından yararlanarak elde edilen tümör bölgesinden, en sık kullanılan tekstür özellikleri, metabolk ve fiziksel özellikler çıkarılmış ve bu özellikler üzerinde, 2 yıllık genel sağkalım (GS) tahmini için zamana bağlı ROC eğrisi analizi gerçekleştirilmiştir. Tek değişkenli analizlerde, tümör boyutu, enerjisi, entropi ve gücü, GS'nin önemli belirleyicileri olarak tespit edilmiştir. Keywords: PET/BT, KHDAK, Makine öğrenmesi, Derin öğrenme, Radyomiks, Semantik bölütleme