Kontrastlı mamografi görüntülerinde benign ve malign meme kitlelerinin radyomik özelliklerinin karşılaştırılması

Amaç: Bu çalışmanın amacı, kontrastlı mamografide (CEM) düşük enerjili ve rekombinant görüntülerinde doku analizi ile meme kitlelerinin benign-malign ayrımında kullanılabilecek radiomik özellikleri çıkarıp, radiomik analizin tanısal etkinliğini ortaya koymaktır. Gereç ve yöntem: Etik kurul onayı sonrası, Eylül 2013-Ağustos 2022 tarihleri arasında şüpheli klinik yada radyolojik bulguları nedeniyle tanısal amaçlı kontrastlı mamografi yapılıp kitle tespit edilen ve sonrasında kesin tanı alan 145 olgu çalışmaya dahil edildi. Kontrastlı mamografi görüntüleri, GE Senographe Essential tam alan dijital mamografi cihazı ile elde edildi ve meme görüntüleme konusunda 20 ve 3 yıllık tecrübeye sahip iki radyolog tarafından mamografi iş istasyonunda değerlendirildi. Hasta görüntüleri DICOM formatında açık kaynaklı görüntü işleme aracı ITK-SNAP'e yüklendi. Radyomik analiz için sadece kitleyi içine alacak şekilde, her bir lezyonun sınırı manuel olarak çizildi. Bu segmentasyon işlemi düşük enerjili ve rekombinant görüntülerin tamamına uygunlandı. Daha sonra bu mamografi görüntülerinden elde edilen iki boyutlu tümörlerden, PyRadiomics Phyton programı kullanılarak 102 radyomik özellik çıkartıldı. Çalışma kapsamında elde edilen radyomik özellikler ve kullanılan matrisler ; şekil tabanlı özellikler, birinci derece özellikler, Gri Düzey Eş Yerleşim Matrisi (GLCM), Gri Düzey Çalışma Uzunluğu Matrisi (GLRLM), Gri Düzeyli Boyut Bölge Matrisi (GLSZM), Gri Düzey Bağımlılık Matrisi (GLDM) ve Komşu Gri Ton Farkı Matrisi (NGTDM)'dir. Öznitelik azaltmak için, MATLAB yazılımında bulunan MRMR, ReliefF ve ANOVA algoritmaları kullanıldı. Her algoritma, her özellik için bir önem skoru ve sıralaması oluşturdu. Her algoritma için en yüksek skora sahip 10 öznitellik seçildi. Veri setinin %75'i eğitim için, % 25'i test için rastgele ayrıldı. Farklı sınıflandırıcılar, özellik alt kümelerini değişik şekillerde seçen sıralı bir ileri özellik seçim algoritması geliştirerek iyi huylu ve kötü huylu ROI'leri ayırt etmek için eğitildi. Denetimli makine öğrenimi için, topluluk öğrenmesi, karar ağaçları, naive bayes, destek vektör makineleri ve nöral sinir ağları algoritmaları kullanıldı. Sınıflandırma işlemi, 10 katlı çapraz doğrulama (10 fold Cross validation) kullanılarak yapıldı. Modelin optimizasyonunda, tüm hiperparametre kombinasyonlarını deneyerek en iyi sonucu veren hiperparametre değerlerini bulan Grid search optimization yöntemi kullanıldı. Test performans değerlendirmesinde düşük enerjili ve rekombinant görüntüler için ayrı ayrı karışıklık matrisi üzerinden sırasıyla eğri altında kalan alan (AUC), doğruluk, duyarlılık, özgüllük, pozitif ve negatif öngörü değerleri hesaplandı. En iyi model, en yüksek doğruluk ve AUC değeri dikkate alınarak seçildi. Tüm analizler için MATLAB R2022b (MathWorks, Inc., Natick, MA, ABD) yazılımı kullanıldı. Bulgular: Çalışma kapsamında değerlendirilen tüm kitlelerin %44,5'i (n=73) benign, %55,5'i (n=91) malign tanılı idi. Benign grupta hastaların yaş ortalaması 48,1±9,5 ve malign grupta 49,9±10,5 idi. Ortalama tümör boyutu benign grupta 23,2±20,6 mm, malign grupta 35,7±21,5 mm idi. Üç farklı algoritmanın analizi sonucunda rekombinant görüntüler için en değerli 22, düşük enerjili görüntüler için en değerli 25 öznitelik seçildi. Her iki tip görüntülerde de en iyi sınıflandırıcı topluluk öğrenmesi idi. En yüksek doğruluk ve AUC değeri sırasıyla rekombinant görüntüler için %91,8 ve 0.978, düşük enerjili görüntüler için %89,7 ve 0.968 olup topluluk öğrenmesi metodu ile elde edildi. Rekombinant görüntülerde duyarlılığı en yüksek sınıflandırıcılar %91,8 ile topluluk öğrenmesi ve destek vektör makinaları oldu. En yüksek özgüllük ise %95,8 ise nöral sinir ağları sınıflandırıcısı ile elde edildi. Düşük enerjili görüntülerde duyarlılığı en yüksek sınıflandırıcı %98,0 ile topluluk öğrenmesi metodu ile elde edildi. En yüksek özgüllük ise %91,7 ile destek vektör makinaları ile elde edildi. Tartışma: Çalışma sonuçlarımız kontrastlı mamografide kitlelerin benign-malign ayrımlarında yardımcı olabilecek ayrıt edici radyomik özellikleri olduğunu ortaya koymaktadır. Ayrıca güncel bir konu olan yapay zeka tabanlı radyolojik otomatik karar destek sistemleri için de sonuçlarımız ümit verici olması ve veri sağlaması açısından önemlidir