Burak DEMİR, Hatice Kübra YURTÇU, Merve AĞCIOĞLU ATALAY, Fikret ERTEK
Molecular Imaging and Radionuclide Therapy - 2026;35(1):10-18
Amaç: Bu çalışmanın amacı SwinUNETR ve Residual UNET mimarilerini kullanarak 18F-florodeoksiglukoz pozitron emisyon tomografisi/bilgisayarlı tomografinin (18F-FDG PET/BT) görüntülerinde karaciğer ve hepatik tümörlerin otomatik segmentasyon modellerini geliştirmek ve değerlendirmek; ayrıca bu modellerin karmaşık klinik olgulardaki doğruluğunu incelemek olarak belirlenmiştir. Yöntem: Tek merkezli, retrospektif bu çalışmaya, çeşitli primer ve metastatik 18F-FDG tutulumu gösteren karaciğer tümörleri bulunan 100 hasta (48 erkek, 52 kadın; ortalama yaş 61+/-14 yıl) dahil edildi. Karaciğer segmentasyonu kontrastsız BT görüntülerinde, tümör segmentasyonu ise maskeleme yapılmış PET görüntülerinde gerçekleştirildi. SwinUNETR ve Residual UNET modelleri karaciğer ve tümör segmentasyonu için ayrı ayrı eğitildi. Model performansı dice benzerlik katsayısı (DSC), volumetrik bias ve metabolik tümör hacmi (MTV) ile total lezyon glikolizi (TLG) değerleri Bland-Altman analizi ile karşılaştırıldı. Bulgular: Karaciğer segmentasyonunda SwinUNETR modeli ile %97,59 (aralık: %95,41-98,93) medyan DSC ve -%0,94 (LoA: -%3,76 ila +%0,50) medyan volumetrik bias elde edilmiştir. Residual UNET modelinde ise %97,85 (aralık: %94,81-98,80) medyan DSC ve -%0,34 (LoA: -%2,63 ila +%1,16) bias değerleri izlenmiştir. Tümör segmentasyonunda SwinUNETR modelinde %92,62 (aralık: %80,75-97,46) medyan DSC, -%8,60 MTV bias (LoA: -%31,62 ila +%1,21) ve -%6,40 TLG bias (LoA: -%25,58 ila +%0,76) değerleri gözlenmiştir. Residual UNET modeli ise %93,07 (aralık: %80,74-98,18) medyan DSC, -%4,33 MTV bias (LoA: -%24,36 ila +%10,12) ve -%11,10 TLG bias (LoA: -%30,8 ila +%4,52) değerlerine sahip olarak izlenmiştir. MTV ve TLG ölçümlerinin çoğu referans değerlerin +/-%10 aralığında yer aldı. Sonuç: SwinUNETR ve Residual UNET modelleri, 18F-FDG PET/BT görüntülerinde yüksek derecede karaciğer segmentasyon doğruluğu ve klinik olarak kabul edilebilir tümör segmentasyonu performansı sağlamıştır. SwinUNETR modeli ise karaciğer segmentasyonunda Residual UNET modeline göre daha iyi sonuç vermiştir. Bu açık kaynaklı modeller, klinik iş akışlarına entegre edilerek segmentasyon görevlerini otomatikleştirebilir, karaciğere yönelik tedavi planlamasını kolaylaştırabilir ve tekrarlanabilir nicel görüntüleme analizlerini destekleyebilir.
