Deep learning-based automatic planning with risk minimization for brain tumor biopsy

Mustafa Şahin; Emrullah Şahin; Edanur Özdemir; Fatih Talu; Sait Öztürk

Makale detayları

Deep learning-based automatic planning with risk minimization for brain tumor biopsy

Yazarlar:

Mustafa Şahin | Emrullah Şahin | Edanur Özdemir | Fatih Talu | Sait Öztürk

Yayıncı:

Gazi University

Ana Başlıklar:

Bilgisayar Görüşü | Görüntü İşleme | Derin Öğrenme | Yapay Zeka (Diğer) | Biyomedikal Görüntüleme | Biyomedikal Tanı

Dergi:

Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi Vol.40 Issue 1, pp.487-500

Belge Tipi:

Makale

Yayın Tarihi:

8/2024

Belge Dili:

Türkçe

Document ID (Org No.):

2001317622

pISSN:

1300-1884

Anahtar kelimeler:

Özet:

 Biopsy emerges as a critical procedure for determining tumor types and establishing pathological diagnoses. This process encompasses two primary stages: planning and surgical intervention. During the planning stage, anatomical points in the patients brain are marked based on MRI data, known to take an average of four hours. However, the accuracy deficiencies, subjective variations, and time consumption associated with manual marking reveal the critical need for an automated planning tool. In this study, we propose a biopsy planning method, entirely automated and incorporating cutting-edge deep learning architectures, on MRI and MRA data. The suggested approach aims to execute biopsy planning rapidly, consistently, and repeatably. The method consists of four main stages: 1 Removal of the brains upper shell, 2 Tumor detection and target point determination, 3 Segmentation of the brains vascular network, and 4 Combination of the three stages and risk calculation for optimal trajectory determination. This automatic method has been validated with 42 patient data in ITKTubeTK. Furthermore, this study, prepared as a 3D Slicer plugin, is offered as a free computer-assisted tool for clinics. In subsequent phases of the research, integration of fMRI data is planned to further enhance risk calculation.

 Biopsy emerges as a critical procedure for determining tumor types and establishing pathological diagnoses. This process encompasses two primary stages: planning and surgical intervention. During the planning stage, anatomical points in the patients brain are marked based on MRI data, known to take an average of four hours. However, the accuracy deficiencies, subjective variations, and time consumption associated with manual marking reveal the critical need for an automated planning tool. In this study, we propose a biopsy planning method, entirely automated and incorporating cutting-edge deep learning architectures, on MRI and MRA data. The suggested approach aims to execute biopsy planning rapidly, consistently, and repeatably. The method consists of four main stages: 1 Removal of the brains upper shell, 2 Tumor detection and target point determination, 3 Segmentation of the brains vascular network, and 4 Combination of the three stages and risk calculation for optimal trajectory determination. This automatic method has been validated with 42 patient data in ITKTubeTK. Furthermore, this study, prepared as a 3D Slicer plugin, is offered as a free computer-assisted tool for clinics. In subsequent phases of the research, integration of fMRI data is planned to further enhance risk calculation.

 Biopsy emerges as a critical procedure for determining tumor types and establishing pathological diagnoses. This process encompasses two primary stages: planning and surgical intervention. During the planning stage, anatomical points in the patients brain are marked based on MRI data, known to take an average of four hours. However, the accuracy deficiencies, subjective variations, and time consumption associated with manual marking reveal the critical need for an automated planning tool. In this study, we propose a biopsy planning method, entirely automated and incorporating cutting-edge deep learning architectures, on MRI and MRA data. The suggested approach aims to execute biopsy planning rapidly, consistently, and repeatably. The method consists of four main stages: 1 Removal of the brains upper shell, 2 Tumor detection and target point determination, 3 Segmentation of the brains vascular network, and 4 Combination of the three stages and risk calculation for optimal trajectory determination. This automatic method has been validated with 42 patient data in ITKTubeTK. Furthermore, this study, prepared as a 3D Slicer plugin, is offered as a free computer-assisted tool for clinics. In subsequent phases of the research, integration of fMRI data is planned to further enhance risk calculation.

 Biyopsi, tümör türünün belirlenmesi ve patolojik teşhisin konulması için kritik bir işlem olarak karşımıza çıkar. Bu süreç, özellikle tümörlü yapıdan parça alınarak gerçekleştirilen planlama ve cerrahi müdahale olmak üzere iki temel aşamayı içerir. Planlama aşamasında, MRI verisi üzerinden hastanın beynindeki anatomik noktaların işaretlemesi yapılır ve bu sürecin ortalama dört saat sürdüğü bilinmektedir. Ancak, manuel işaretlemeyle yapılan bu tür planlamaların doğruluk eksiklikleri, sübjektif varyasyonlar ve zaman alıcılığı, otomatik bir planlama aracının kritik bir ihtiyaç olduğunu göstermektedir. Bu çalışmada, MRI ve MRA verisi üzerinden tam otomatik, son teknoloji derin öğrenme mimarilerini içeren bir biyopsi planlama yöntemi önerilmektedir. Önerilen bu yöntem, biyopsi planlamasını hızlı, tutarlı ve tekrarlanabilir bir şekilde gerçekleştirmeyi amaçlamaktadır. Yöntem dört ana aşamadan oluşmaktadır: 1- Beyinin üst kabuk bölgesinin çıkarılması, 2- Tümör tespiti ve hedef noktasının belirlenmesi, 3- Beyin damar ağacının bölütlenmesi, 4- Optimum yörünge tespiti için üç aşamanın kombinasyonu ve risk hesaplanması. Bu otomatik yöntem, ITKTubeTKdeki 42 hasta verisiyle doğrulanmıştır. Ayrıca, 3D Slicer eklentisi olarak hazırlanan bu çalışma, klinikler için ücretsiz bir bilgisayar destekli araç olarak sunulmaktadır. Araştırmanın ilerleyen aşamalarında, risk hesaplamasını daha da geliştirmek amacıyla fMRI verisinin entegrasyonu üzerine çalışılması planlanmaktadır.

Makale detayları

Deep learning-based automatic planning with risk minimization for brain tumor biopsy

Yazarlar:

Mustafa Şahin | Emrullah Şahin | Edanur Özdemir | Fatih Talu | Sait Öztürk

Yayıncı:

Gazi University

Ana Başlıklar:

Bilgisayar Görüşü | Görüntü İşleme | Derin Öğrenme | Yapay Zeka (Diğer) | Biyomedikal Görüntüleme | Biyomedikal Tanı

Dergi:

Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi Vol.40 Issue 1, pp.487-500

Belge Tipi:

Makale

Yayın Tarihi:

8/2024

Belge Dili:

Türkçe

Document ID (Org No.):

2001317622

pISSN:

1300-1884

Stereotactic brain surgery

automatic surgical trajectory planning

surgical risk reduction

computer-assisted planning

deep learningStereotaktik beyin cerrahisi

otomatik cerrahi yörünge planlama

cerrahi risk azaltma

bilgisayar destekli planlama

derin öğrenme

Sayı

Makale detayları

Yazarlar: Mustafa Şahin | Emrullah Şahin | Edanur Özdemir | Fatih Talu | Sait Öztürk

Yayıncı: Gazi University

Ana Başlıklar: Bilgisayar Görüşü | Görüntü İşleme | Derin Öğrenme | Yapay Zeka (Diğer) | Biyomedikal Görüntüleme | Biyomedikal Tanı

Dergi: Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi Vol.40 Issue 1, pp.487-500

Belge Tipi: Makale

Yayın Tarihi: 8/2024

Belge Dili: Türkçe

Document ID (Org No.): 2001317622

pISSN: 1300-1884

Sayı

Yazarlar:

Mustafa Şahin | Emrullah Şahin | Edanur Özdemir | Fatih Talu | Sait Öztürk

Yayıncı:

Gazi University

Ana Başlıklar:

Bilgisayar Görüşü | Görüntü İşleme | Derin Öğrenme | Yapay Zeka (Diğer) | Biyomedikal Görüntüleme | Biyomedikal Tanı

Dergi:

Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi Vol.40 Issue 1, pp.487-500

Belge Tipi:

Makale

Yayın Tarihi:

8/2024

Belge Dili:

Türkçe

Document ID (Org No.):

2001317622

pISSN:

1300-1884