Zur Kurzanzeige

dc.contributor.advisorKrombach, Gabriele
dc.contributor.authorLimburg, Rebekka
dc.date.accessioned2021-11-03T14:05:16Z
dc.date.available2021-11-03T14:05:16Z
dc.date.issued2021
dc.identifier.urihttps://jlupub.ub.uni-giessen.de//handle/jlupub/333
dc.identifier.urihttp://dx.doi.org/10.22029/jlupub-280
dc.description.abstractZiel: Es sollte untersucht werden, ob mit der Histogram Functional Shape Methode (HFS) als neuem Radiomics-Bildmarker High-Resolution-CT-Datensätze (HR-CT) von Lungen in drei verschiedene Klassen valide zugeordnet werden können: Gesunde Lungen, Lungenemphysem und Lungenfibrose. Darüber hinaus erfolgte ein Vergleich des neuen Bildmarkers mit bereits etablierten Radiomics-Markern. Material und Methoden: Es wurden 220 HR-CT-Thorax-Datensätze (Gesundes Lungenparenchym: 71; Emphysem: 73; Fibrose: 76) nach Mehrfachbefundung durch erfahrene Radiologen selektiert und nach dem Zufallsprinzip in die Gruppen „Testgruppe“ und „Validierungsgruppe“ verteilt. Als erster nummerischer Arbeitsschritt erfolgten die Lungensegmentierung und die Erstellung der Dichtehistogramme der Lungen. Anschließend wurde die HFS-Methode angewendet und Kurvenanpassungsparameter als neue Bildmarker bestimmt. Als nächstes wurden die konventionellen Radiomics-Marker Emphysemindex (EI), Perzentilwert (PV) sowie den Statistikparametern Mittelwert (MV), Varianz (V), Schiefe (S) und Kurtosis (K) bestimmt. Kombinationen von verschiedenen Bildmarkern wurden in 21 unterschiedlichen Modellkombinationen als Kovariaten mit der Klassifikationsmethode der Multinomialen Logistischen Regression (MLR) auf ihre Klassifikationsgüte hin evaluiert. Nagelkerkes Pseudo R2 (NR2) fungierte als Gütekriterium, um ein Leistungsranking der verschiedenen Modelle aufzustellen. Ergebnisse und Diskussion: Nach erfolgter Klassifikation in die Gruppen Gesund, Emphysem und Fibrose mittels MLR wird ersichtlich, dass die Verwendung aller Marker zusammen (HFS,EI,PV,MV,V,S,K) als Kovariaten die höchsten Korrektklassifikationen liefert (Kges 92 %; Sens 0,95; Spez 0,89; NR2 0,95). Die höchste Klassifizierungsleistung unter den einzelnen angewandten Markern liefert das HFS-Konzept (Kges 86 %; Sens 0,93; Spez 0,79; NR2 0,80). Die etablierten Methoden erreichten allein ein geringeres Klassifizierungsergebnis: EI (Kges 69 %; Sens 0,95; Spez 0,26; NR2 0,52); PV (Kges 69 %; Sens 0,90; Spez 0,37; NR2 0,57); MV (Kges 65 %; Sens 0,71; Spez 0,58; NR2 0,61); V (Kges 66 %; Sens 0,72; Spez 0,53; NR2 0,66); S (Kges 65 %; Sens 0,88; Spez 0,26; NR2 0,55); und K (Kges 63 %; Sens 0,90; Spez 0,16; NR2 0,48). Schlussfolgerung: Die HFS-Methode ist in Klassifizierungsaufgaben den bisher verwendeten Methoden wie Emphysemindex, Perzentilwert oder den statistischen momentbasierten Analysen von Mittelwert, Varianz, Schiefe oder Kurtosis überlegen. Eine genauere Analyse von CT-Dichtekurven ist qualitativ hochwertig gelungen, zumal bislang unbekannt war, dass der generelle Kurvenverlauf Informationen enthält, die zu Klassifikationszwecken herangezogen werden können. Vermutlich handelt es sich bei dem HFS-Konzept um eine allgemein anwendbare Methode zur Informationsextraktion aus CT-Dichte-Histogrammen, mit der radiologische Fragen beantwortet werden können. Die Verwendung der Methode sollte zukünftig auch in anderen Studiendesigns erforscht und angewendet werden können.de_DE
dc.language.isodede_DE
dc.rightsAttribution-NonCommercial-NoDerivatives 4.0 International*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/*
dc.subjectRadiologiede_DE
dc.subjectComputertomographiede_DE
dc.subjectRadiomicsde_DE
dc.subjectHFS.Methodede_DE
dc.subject.ddcddc:610de_DE
dc.titleEntwicklung eines Algorithmus zur CT - Dichtekurven - Analytik und Evaluation am Beispiel der automatisierten Klassifikation von verschiedenen Lungenerkrankungende_DE
dc.typedoctoralThesisde_DE
dcterms.dateAccepted2021-10-14
local.affiliationFB 11 - Medizin
thesis.levelthesis.doctoralde_DE


Dateien zu dieser Ressource

Thumbnail
Thumbnail

Das Dokument erscheint in:

Zur Kurzanzeige