| Popis: |
Amaç: Çalışmamızda radyolojik olarak ayırıcı tanısı zor olan benign-malign renal solid kitlelerin makine öğrenme bazlı kantitatif bilgisayarlı tomografi yapısal analiz ile ayrımının yapılması amaçlanmıştır.Gereç-Yöntem: Ocak 2013-Mayıs 2018 tarihleri arasında renal kitle nedeniyle opere olan(total/parsiyel nefrektomi) veya kor biyopsi yapılan hastalar retrospektif olarak taranmıştır. Çalışmamıza uygun kriterlerde 63'ü malign, 21'i benign olmak üzere 84 kitlesi bulunan 79 hasta dahil edilmiştir. Alt tiplerin dağılımı 25'i berrak RHK, 23'ü papiller RHK, 15'i kromofob RHK, 10'u onkositom, 11'i yağdan fakir AML şeklindedir. Tüm hastaların BT görüntüleri 3 mm kesit kalınlığında rekonstrükte edilmiş ve piksel boyutları 1x1 mm2 olacak şekilde yeniden oluşturularak eşitlenmiştir. Ön işlem basamaklarını takiben kontrastsız ve dinamik bifazik kontrastlı CT kullanılarak iki boyutlu CT doku özellikleri çıkarıldı. Yapısal analiz (TA) özelliklerinin tekrarlanabilirliği, sınıf içi korelasyon (ICC) ile değerlendirildi. Özellik seçimi ve model optimizasyonunda sınıflandırıcı performansının iyileştirilmesi için, sarmal algoritmalar ile iç içe çapraz doğrulama yapılmıştır. Malign-benign renal kitle ayrımında; j48 karar ağacı (j48), k-en yakın komşu (k-NN), lojistik regresyon (LR), lokal ağırlıklı öğrenme (LWL), çok katmanlı algılayıcı (MLP), naive bayes (NB), destek vektör makinesi (SVM), rastgele orman (RF) olmak üzere 8 farklı makine bazlı sınıflandırıcı kullanılmıştır. Sınıflandırıcıların performansının değerlendirilmesinde ana ölçüt Matthews korelasyon katsayısı'yken (MCC); performans değerlendirilmesinde doğruluk, sensitivite, spesifite, eğri altındaki alan (AUC) parametreleri de kullanılmıştır.Bulgular: Görüntülerin işlenmesi sonucunda 271 özellik oluşturulmuştur. Yeniden üretilebilirlik analizi yapıldıktan sonra bu özellikler prekontrast fazda 198'e, kortikomedüller fazda 244'e düşmüştür. Kitlelerin malign-benign ayrımında en iyi sınıflandırma RF'de, kortikomedüller faz görüntülerde yapılmıştır. RF sınıflandırıcısında; malign kitlelere göre doğruluk, sensitivite, spesifite, PPD sırasıyla %90.5, %95.2, %76.2, %92.3; MCC ve AUC sırasıyla 0.739 ve 0.915 bulunmuştur. Pearson korelasyon analizi ile yüksek korele özellik çıkarılarak RF performansına bakıldığında ise doğruluk, sensitivite, spesifite, PPD sırasıyla %91.67, %95.2, %81.0, %93.8; MCC ve AUC sırasıyla 0.775 ve 0.916 bulunmuş olup oranların arttığı gözlemlenmiştir.Sonuç: Makine öğrenme bazlı bilgisayarlı tomografi yapısal analizi (CTTA) ile kortikomedüller fazda benign ve malign renal kitleler yüksek performansla ayrılabilmektedir. Objective: In our study, we aimed to distinguish between benign and malign renal solid masses, which are known to be difficult to differentiate radiologically, using machine learning-based quantitative computed tomography texture analysis.Materials and Methods: Between January 2013 and May 2018, patients underwent surgery (total / partial nephrectomy) or cor biopsy due to renal mass were retrospectively screened. 79 patients with a total of 84 masses, of which 63 were malignant and 21 were benign, were included in the study. The distribution of the subtypes was as follows: 25 clear cell renal cell carcinoma(RCC) , 23 papillary RCC, 15 chromophobe RCC, 10 oncocytomes and 11 fat-poor angiomyolipoma. CT images of all patients were reconstructed at 3 mm section thickness and pixel spaces were rescaled to an in-plane resolution of 1x1 mm². Following preprocessing steps, two-dimensional CT texture features were extracted using noncontrast and biphasic contrast-enhanced CT. Reproducibility of texture analysis features were assessed with intra-class correlation (ICC). Nested cross-validation with wrapper based alghorithm was performed to improve feature selection and classifier performance. Eight different machine learning based classifiers were used to distinguish malignant-benign renal masses. These include j48 decision tree (j48), k-nearest neighbors (k-NN), logistic regression (LR), locally weighted learn (LWL), multilayer perceptron (MLP), naive bayes (NB), support vector machine (SVM) and random forest (RF). The main criterion in evaluating the performance of the classifiers was the Matthews correlation coefficient (MCC); whereas the accuracy, sensitivity, specificity, area under the curve (AUC) parameters were also used in performance evaluation.Results: 271 features have been obtained as a result of processing the images. After the reproducibility analysis, these features decreased to 198 in the precontrast phase and 244 in the corticomedullary phase. The best classification of the malign and benign differentiation of these masses was offered with RF, in corticomedullary phase images. In RF classifier; the accuracy, sensitivity, specificity and PPV according to malignant masses were %90.5, %95.2, %76.2, %92.3 respectively; MCC and AUC were found to be 0.739 and 0.915 respectively. RF was re-performed after excluding a high correlation feature obtained by Pearson correlation analysis. This time, the accuracy, sensitivity, specificity, and PPV were found to be %91.67,% 95.2,% 81.0, %93.8 respectively; MCC and AUC were 0.775 and 0.916, respectively; and it was observed that the ratios increased.Conclusion: With machine learning-based CT-TA, benign and malignant renal masses can be differentiated with high performance in the corticomedullary phase. 105 |
