Duyarlılık Ağırlıklı Görüntüleme ile Gelişimsel Venöz Anomalilerin Tanısı: DenseNet121 Modelini Kullanan Derin Öğrenme Uygulaması

Öz

ÖZET AMAÇ: Gelişimsel venöz anomali (GVA), en yaygın serebral vasküler malformasyon türüdür ve genellikle tesadüfen teşhis edilir. Manyetik rezonans görüntüleme (MRG) teknolojisinin özel bir uygulaması olan duyarlılık ağırlıklı görüntüleme (SWI); mikrokanamalar, demir birikimleri ve iskemik lezyonların tespitinde yaygın olarak kullanılır. Bu çalışmada, derin öğrenme tabanlı bir modelin GVA tanısındaki doğruluğunu belirlemek ve klinik uygulamalardaki potansiyel kullanımını değerlendirmek amaçlanmıştır. GEREÇ VE YÖNTEM: Bu çalışmaya, Ocak 2021 - Mayıs 2023 tarihleri arasında hastanemizde kraniyal SWI MRG incelemesi yapılan ve GVA saptanan 99 hasta ile GVA bulunmayan 100 kontrol dahil edilmiştir. Tüm görüntüleme verileri, 10 yıllık deneyime sahip bir nöroradyolog tarafından değerlendirilmiştir. Derin öğrenme süreci, DenseNet121 modeli kullanılarak başlatılmıştır. BULGULAR: Çalışma kohortu 109 kadın ve 90 erkekten oluşmakta olup, ortalama yaş 41,62 ± 19,69 yıl olarak hesaplanmıştır. GVA tanısı alan 99 hastada toplam 104 lezyon tespit edilmiştir. Geliştirilen modelin GVA'ları tespit etmede duyarlılığı (%85 ± 5,0), özgüllüğü (%81 ± 9,6), doğruluğu (%83 ± 5,7) ve eğri altındaki alanı (%90 ± 2,99) yüksek bulunmuştur. TARTIŞMA: Bu çalışmanın bulguları, geliştirilen derin öğrenme modelinin GVA'ların doğru tanısında etkili bir şekilde kullanılabileceğini göstermektedir. Model, literatürde önemli bir boşluğu doldurmakta ve gelecekteki araştırmalar için sağlam bir temel sunmaktadır. Farklı popülasyonlarda test edilmesi ve harici doğrulama çalışmalarının yapılması, modelin genellenebilirliğini ve güvenilirliğini daha da artıracaktır. ABSTRACT AIM: Developmental venous anomalies (DVAs) represent the most common type of cerebral vascular malformation and are typically diagnosed incidentally. Susceptibility-weighted imaging (SWI), a specialized application of magnetic resonance imaging (MRI) technology, is extensively utilized to detect microhemorrhages, iron deposits, and ischemic lesions. This study aimed to determine the accuracy of a deep learning-based model for diagnosing DVAs and to assess its potential applicability in clinical practice. MATERIAL AND METHOD: This study included 99 patients with DVAs detected on cranial SWI MRI conducted at our hospital between January 2021 and May 2023, as well as 100 controls without DVAs. All imaging data were evaluated by a neuroradiologist with 10 years of experience. The deep learning process was initiated using the DenseNet121 model. RESULTS: The study cohort consisted of 109 women and 90 men, with a mean age of 41.62 ± 19.69 years. A total of 104 lesions were identified in 99 patients diagnosed with DVAs. The developed model demonstrated high sensitivity (85% ± 5.0), specificity (81% ± 9.6), accuracy (83% ± 5.7), and area under the curve (90% ± 2.99) values in detecting DVAs. CONCLUSION: The findings of this study indicate that the developed deep learning model can be effectively utilized for the accurate diagnosis of DVAs. This model addresses a significant gap in the literature and provides a robust foundation for future research. Testing the model across different populations and conducting external validation studies will further enhance its generalizability and reliability.

Anahtar Kelimeler

• Gelişimsel Venöz Anomali
• Duyarlılık Ağırlıklı Görüntüleme
• Derin Öğrenme
• DenseNet121
• Yapay Zekâ

Diagnosis of Developmental Venous Anomalies via Susceptibility-Weighted Imaging: A Deep Learning Application Using the DenseNet121 Model

Öz

ÖZET AMAÇ: Gelişimsel venöz anomali (GVA), en yaygın serebral vasküler malformasyon türüdür ve genellikle tesadüfen teşhis edilir. Manyetik rezonans görüntüleme (MRG) teknolojisinin özel bir uygulaması olan duyarlılık ağırlıklı görüntüleme (SWI); mikrokanamalar, demir birikimleri ve iskemik lezyonların tespitinde yaygın olarak kullanılır. Bu çalışmada, derin öğrenme tabanlı bir modelin GVA tanısındaki doğruluğunu belirlemek ve klinik uygulamalardaki potansiyel kullanımını değerlendirmek amaçlanmıştır. GEREÇ VE YÖNTEM: Bu çalışmaya, Ocak 2021 - Mayıs 2023 tarihleri arasında hastanemizde kraniyal SWI MRG incelemesi yapılan ve GVA saptanan 99 hasta ile GVA bulunmayan 100 kontrol dahil edilmiştir. Tüm görüntüleme verileri, 10 yıllık deneyime sahip bir nöroradyolog tarafından değerlendirilmiştir. Derin öğrenme süreci, DenseNet121 modeli kullanılarak başlatılmıştır. BULGULAR: Çalışma kohortu 109 kadın ve 90 erkekten oluşmakta olup, ortalama yaş 41,62 ± 19,69 yıl olarak hesaplanmıştır. GVA tanısı alan 99 hastada toplam 104 lezyon tespit edilmiştir. Geliştirilen modelin GVA'ları tespit etmede duyarlılığı (%85 ± 5,0), özgüllüğü (%81 ± 9,6), doğruluğu (%83 ± 5,7) ve eğri altındaki alanı (%90 ± 2,99) yüksek bulunmuştur. TARTIŞMA: Bu çalışmanın bulguları, geliştirilen derin öğrenme modelinin GVA'ların doğru tanısında etkili bir şekilde kullanılabileceğini göstermektedir. Model, literatürde önemli bir boşluğu doldurmakta ve gelecekteki araştırmalar için sağlam bir temel sunmaktadır. Farklı popülasyonlarda test edilmesi ve harici doğrulama çalışmalarının yapılması, modelin genellenebilirliğini ve güvenilirliğini daha da artıracaktır. ABSTRACT AIM: Developmental venous anomalies (DVAs) represent the most common type of cerebral vascular malformation and are typically diagnosed incidentally. Susceptibility-weighted imaging (SWI), a specialized application of magnetic resonance imaging (MRI) technology, is extensively utilized to detect microhemorrhages, iron deposits, and ischemic lesions. This study aimed to determine the accuracy of a deep learning-based model for diagnosing DVAs and to assess its potential applicability in clinical practice. MATERIAL AND METHOD: This study included 99 patients with DVAs detected on cranial SWI MRI conducted at our hospital between January 2021 and May 2023, as well as 100 controls without DVAs. All imaging data were evaluated by a neuroradiologist with 10 years of experience. The deep learning process was initiated using the DenseNet121 model. RESULTS: The study cohort consisted of 109 women and 90 men, with a mean age of 41.62 ± 19.69 years. A total of 104 lesions were identified in 99 patients diagnosed with DVAs. The developed model demonstrated high sensitivity (85% ± 5.0), specificity (81% ± 9.6), accuracy (83% ± 5.7), and area under the curve (90% ± 2.99) values in detecting DVAs. CONCLUSION: The findings of this study indicate that the developed deep learning model can be effectively utilized for the accurate diagnosis of DVAs. This model addresses a significant gap in the literature and provides a robust foundation for future research. Testing the model across different populations and conducting external validation studies will further enhance its generalizability and reliability.

Anahtar Kelimeler

• Developmental Venous Anomaly
• Susceptibility-Weighted Imaging
• Deep Learning
• DenseNet121
• Artificial Intelligence

Kaynakça

1. 1. Linscott LL, Leach JL, Jones BV, Abruzzo TA. Developmental venous anomalies of the brain in children - imaging spectrum and update. Pediatr Radiol. 2016;46:394-406. doi: 10.1007/s00247- 015-3525-3
2. 2. Mooney MA, Zabramski JM. Developmental venous anomalies. Handb Clin Neurol. 2017;143:279-282. doi: 10.1016/B978-0-444- 59 63640-9.00026-6
3. 3. San Millan Ruiz D, Gailloud P. Cerebral developmental venous anomalies. Childs Nerv Syst. 2010;26:1395-1406. doi: 10.1007/ s00381-010-1253-4
4. 4. Idiculla PS, Gurala D, Philipose J, Rajdev K, Patibandla P. Cerebral Cavernous Malformations, Developmental Venous Anomaly, and Its Coexistence: A Review. Eur Neurol. 2020;83:360-368. doi: 10.1159/000508748
5. 5. Hon JM, Bhattacharya JJ, Counsell CE, Papanastassiou V, Ritchie V, Roberts RC, et al. The presentation and clinical course of intracranial developmental venous anomalies in adults: a systematic review and prospective, population-based study. Stroke. 2009;40:1980-1985. doi: 10.1161/STROKEAHA.108.533034
6. 6. Weng CL, Jeng Y, Li YT, Chen CJ, Chen DY. Black Dipole or White Dipole: Using Susceptibility Phase Imaging to Differentiate Cerebral Microbleeds from Intracranial Calcifications. AJNR Am J Neuroradiol. 2020;41:1405-1413. doi: 10.3174/ajnr.A6636
7. 7. Rubin A, Waszczuk L, Trybek G, Kapetanakis S, Bladowska J. Application of susceptibility weighted imaging (SWI) in diagnostic imaging of brain pathologies - a practical approach. Clin Neurol Neurosurg. 2022;221:107368. doi: 10.1016/j.clineuro.2022.107368
8. 8. Haller S, Haacke EM, Thurnher MM, Barkhof F. Susceptibility- weighted Imaging: Technical Essentials and Clinical Neurologic Applications. Radiology. 2021;299:3-26. doi: 10.1148/radiol. 2021203071

9. 9. Rana M, Bhushan M. Machine learning and deep learning approach for medical image analysis: diagnosis to detection. Multimed Tools Appl. 2022:1-39. doi: 10.1007/s11042-022-14305-w
10. 10. Panayides AS, Amini A, Filipovic ND, Sharma A, Tsaftaris SA, Young A, et al. AI in Medical Imaging Informatics: Current Challenges and Future Directions. IEEE J Biomed Health Inform. 2020;24:1837-57.
11. 11. Kocak B, Durmaz ES, Ates E, Kilickesmez O. Radiomics with artificial intelligence: a practical guide for beginners. Diagn Interv Radiol. 2019;25:485-495. doi: 10.1109/JBHI.2020.2991043
12. 12. Saba PR. The caput medusae sign. Radiology. 1998;207:599- 600. doi: 10.1148/radiology.207.3.9609879
13. 13. Gözgeç E, Oğul H. Coexistence of Intracranial Developmental Venous Anomaly and Cavernoma; When, Where and How. J Gen Med . 2021;31(4):349-53. doi: 10.54005/geneltip.1036524
14. 14. Huang G, Liu Z, Maaten LVD, Weinberger KQ. Densely Connected Convolutional Networks. 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR)2017. p. 2261-2269. doi: 10.1109/CVPR.2017.243
15. 15. Boukobza M, Enjolras O, Guichard JP, Gelbert F, Herbreteau D, Reizine D, et al. Cerebral developmental venous anomalies associated with head and neck venous malformations. AJNR Am J Neuroradiol. 1996;17:987-994.
16. 16. Lee C, Pennington MA, Kenney CM, 3rd. MR evaluation of developmental venous anomalies: medullary venous anatomy of venous angiomas. AJNR Am J Neuroradiol. 1996;17:61-70.
17. 17. Pereira VM, Geibprasert S, Krings T, Aurboonyawat T, Ozanne A, Toulgoat F, et al. Pathomechanisms of symptomatic developmental venous anomalies. Stroke. 2008;39:3201-3215. doi: 10.1161/ STROKEAHA.108.521799
18. 18. Santucci GM, Leach JL, Ying J, Leach SD, Tomsick TA. Brain parenchymal signal abnormalities associated with developmental venous anomalies: detailed MR imaging assessment. AJNR Am J Neuroradiol. 2008;29:1317-1323. doi: 10.3174/ajnr.A1090
19. 19. Smith LGF, Milliron E, Ho ML, Hu HH, Rusin J, Leonard J, et al. Advanced neuroimaging in traumatic brain injury: an overview. Neurosurg Focus. 2019;47:E17. doi: 10.3171/2019.9.FOCUS19652
20. 20. Rajpurkar P, Irvin J, Ball RL, Zhu K, Yang B, Mehta H, et al. Deep learning for chest radiograph diagnosis: A retrospective comparison of the CheXNeXt algorithm to practicing radiologists. PLoS Med. 2018;15:e1002686. doi: 10.1371/journal.pmed.1002686
21. 21. Tang YX, Tang YB, Peng Y, Yan K, Bagheri M, Redd BA, et al. Automated abnormality classification of chest radiographs using deep convolutional neural networks. NPJ Digit Med. 2020;3:70. doi: 10.1038/s41746-020-0273-z