MR Spektroskopi kullanılarak beyin tümörü tespitinde LSTM tabanlı derin öğrenme uygulaması

Yıl 2023, , 1193 - 1202, 07.10.2022

Sinan Altun , Ahmet Alkan

https://doi.org/10.17341/gazimmfd.1069632

Cited By: 3

Öz

MR Spektroskopi (MRS) beyindeki su ve yağ haricindeki metabolitlerin ölçümünün yapılabildiği, beyin tümörü tespitinde kritik öneme sahip bir görüntüleme modalitesidir. MRS sonuçlarının doğru yorumlanması ciddi bir uzmanlık gerektiren konu olup, her yerleşim yerinde bu tür tecrübeli, uzman bulunamamaktadır. Yapay zekâ ve veri madenciliğindeki gelişmelerle birlikte, bilgisayar destekli tanı (BDT) sistemlerinin tıp alanında da yaygın olarak kullanıldığı görülmektedir. Elde edilen yüksek başarılar, BDT uygulamalarının zamandan tasarruf sağlayarak tıbbi teşhis ve tedavi süreçlerini olumlu yönde etkilemektedir. BDT sistemleri tek başına tespit veya teşhis yöntemi olmasa da, sahip olduğu yüksek sınıflandırma başarısı ile uzmanlara iyi bir karar destek altyapısı oluşturabilmektedir. Derin öğrenme, klasik sınıflandırma yöntemlerine göre güncel, veriler üzerinde daha başarılı sonuçlar veren, yüksek sınıflandırma kabiliyetine sahip yapay zekâ algoritmasıdır. Bu çalışmada, Kolin (Cho), kreatin (Cr) ve N-Asetil Aspartat (Naa) metabolitlerin ölçümüne dayanan MRS verileri ile tümör tespitinde doktora yardımcı bir BDT sistemi geliştirilmesi amaçlanmıştır. Bu amaçla 49 adet beyin tümörü teşhisi konmuş, 44 adet kontrol grubu olmak üzere toplam 93 kişiden alınmış veri seti kullanılmıştır. Sınıflandırmada dizi veriler için, derin öğrenme uygulaması olan, Long Short-Term Memory (LSTM) ve karşılaştırma yapmak için dört adet klasik veri sınıflandırma yöntemi kullanılmıştır. Klasik yöntemlerden k-En Yakın Komşu (kEYK), Destek Vektör Makineleri (DVM) ve Karar Ağaçları (KA) ile elde edilen sınıflandırma başarım sonuçları %83±6,36 bulunurken, çalışmada önerilen LSTM tabanlı derin öğrenme yöntemiyle bu değer %93 olarak elde edilmiştir. Bu da derin öğrenmenin yüksek sınıflandırma başarımı göstererek, MRS verilerinin sınıflandırılmasında ilgili alandaki uzmanlara karar sürecinde yardımcı olabilecek bir BDT sisteminde kullanılabileceğini göstermektedir.

Anahtar Kelimeler

derin öğrenme, veri madenciliği, beyin tümörü, MRS

Kaynakça

• 1. Esen S.Ö., Bozkurt M., Adıbelli H.Z., Aykut E., Canverenler S., Proton MR Spektroskopinin beyin tümörlerinde tanısal değeri, İTÜ Tepecik Eğit Hast Derg, 24 (2), 93-98, 2014.
• 2. Karatağ O., İntrakranyalyer kaplayıcı lezyonların ayırıcı tanısında MR spektroskopinin yeri, Radyoloji Uzmanlık Tezi, Sağlık Bakanlığı Şişli Etfal Eğitim ve Araştırma Hastanesi, İstanbul, 2005.
• 3. Cüce A.M., Beyin kitlelerinin tanısında MR spektroskopinin yeri ile kısa ve uzun TE MR spektroskopinin karşılaştırılması, Uzmanlık Tezi, Gazi Üniversitesi, İstanbul, 2005.
• 4. Wendt S.L., Welinder P., Sorensen H.B.D., Peppard P.E., Jennum P., Peroa P., Mignot E., Warby S.C, Inter-expert and intra-expert reliability in sleep spindle scoring, Clin. Neurophysiol., 126, 1548-1556, 2015.
• 5. Luka, A., Devosa J.A.K., Suykens L., Vanhamme F.A., Howe C., Majo´s A., Moreno-Torres M., Van Der Graaf A.R., Tate C. Aru´s S., Van H., Brain tumor classification based on long echo proton MRS signals, Artif. Intell. Med., 31, 73—89, 2004.
• 6. Nagori M., Joshi M., Methods and algorithms for extracting values from MRS Graph for brain tumor detection, 2013 International Conference on Electronic Engineering and Computer Science (EECS 2013), Beijing, China, 331 – 336, 22-23 May, 2013.
• 7. Carlos A., Daniel A.S., Alfredo V., Enrique R., Automated classification of brain tumors from short echo time in vivo MRS data using gaussian decomposition and bayesian neural networks, Expert Syst. Appl., 41, 5296–5307, 2014.
• 8. Swapna G., Soman K.P., Vinayakumar R., Automated detection of diabetes using CNN and CNN-LSTM network and heart rate signals Procedia Comput. Sci., 132, 1253–1262, 2018.
• 9. Tanveer S., M Hasan., Cuffless blood pressure estimation from electrocardiogram and photoplethysmogram using waveform based ANN-LSTM network, Biomed. Signal Process. Control, 51, 382–392, 2019.
• 10. Oh S.L., Eddie Y.K.N., Tan S., Acharya R.U., Automated diagnosis of arrhythmia using combination of CNN and LSTM techniques with variable length heart beats, Comput. Biol. Med., 102, 278–287, 2018.
• 11. Michielli N., Acharya R.U., Molinari F., Cascaded LSTM recurrent neural network for automated sleep stage classification using single-channel EEG, Comput. Biol. Med., 106, 71–81, 2019.
• 12. Olliverre N., Yang G., Slabaugh G., Reyes-Aldasoro C.C., Alonso E., Generating magnetic resonance spectroscopy imaging data of brain tumours from linear, non-linear and deep learning models, arXiv:1808.07592v1 [cs.CV] 23 August 2018.
• 13. Ranjith G., Parvathy R., Vikas V., Chandrasekharan K., Nair S., Machine learning methods for the classification of gliomas: Initial results using features extracted from MR spectroscopy, The Neuroradiology Journal, 28(2), 106-111, 2015.
• 14. Kaya Y., Pehlivan H., KNN, NN, BAYES, DT ve SVM Kullanılarak EKG Vurularının Sınıflandırılması, ISITES 2014 Sempozyumu(ISITES’2014), Karabük-Türkiye, 1413-1423, 18-20 Haziran, 2014,.
• 15. Karal C., Compression of ECG data by support vector regression method, J. Fac. Eng. Archit. Gazi Univ., 33(2), 743-755, 2018.
• 16. Yabanova İ., Yumurtacı M., Classification of dynamic egg weight using support vector machine, Journal of the Faculty of Engineering and Architecture of Gazi University, 33(2), 393-402, 2018.
• 17. Kaya, A., Keçeli, S., A., Can, B., A., Examination of various classification strategies in classification of lung nodule characteristics, J. Fac. Eng. Archit. Gazi Univ., 34(2), 709-725, 2019.
• 18. Altun S., MR spektroskopi temelli beyin tümörü teşhisinde veri madenciliği uygulamalar, Yüksek Lisans Tezi, Kahramanmaraş Sütçü İmam Üniversitesi, Fen Bilimleri Enstitüsü, Kahramanmaraş, 2018.
• 19. MATLAB.https://www.mathworks.com/help/deeplearning/examples/classify-sequence-data-using-lstm-networks.html. Erişim tarihi Mart 31, 2019.
• 20. Hochreiter S., Schmidhuber J., Long-Short Term Memory, Neural Comput, 9(8), 1735–1780, 1997.
• 21. MATLAB. https://www.mathworks.com/help/deeplearning/ref/trainingoptions.html. Erişim tarihi Mayıs 15, 2019.
• 22. Shokry A., MRS of brain tumors: diagrammatic representations and diagnostic approach, Egypt. j. radiol. nucl. med., 43, 603–612, 2012.
• 23. Göker H., Şahin İ., Tekedere H., Erken çocukluk döneminde otizm teşhisine yönelik dinamik uzman sistem tasarımı, Bilişim Teknolojileri Dergisi, 8(3), 167–172, 2015.
• 24. A Alkan., Analysis of knee osteoarthritis by using fuzzy c-means clustering and SVM classification, Sci. Res. Essays, 6 (20), 4213-4219.
• 25. Alkan A., Günay M., Identification of EMG signals using discriminant analysis and SVM classifier, Expert Syst. Appl., 39, 44–47, 2012.
• 26. Solmaz R., Günay M., Alkan A., Uzman Sistemlerin Tiroit Teşhisinde Kullanılması, Akademik Bilişim 2013 Sempozyumu(ab’2013), Antalya-Türkiye, 864-867, 23-25 Ocak, 2013.
• 27. Kavzoğlu T., Çölkesen İ., Destek vektör makineleri ile uydu görüntülerinin sınıflandırılmasında kernel fonksiyonlarının etkilerinin incelenmesi, Harita Dergisi, 144, 73-82, 2010.
• 28. Tomak L., Bek Y., İşlem karakteristik eğrisi analizi ve eğri altında kalan alanların karşılaştırılması, Journal of Experimental and Clinical Medicine, 27(2), 58-65, 2010.
• 29. Dirican A., Tanı testi performanslarının değerlendirilmesi ve kıyaslanması, Cerrahpasa Tip Fak. Derg., 32 (1), 25-30, 2001.
• 30. Arora R.Suman., Comparative analysis of classification algorithms on different datasets using WEKA, Int. J. Comput. Appl. Technol., 54(13), 887 – 975, 2012.
• 31. Akben B.S., Alkan A., Öznitelikler arası korelasyonun düşük olduğu veri kümelerinde sınıflandırma başarısını artırmak için yoğunluk temelli öznitelik oluşturma, J. Fac. Eng. Archit. Gazi Univ., 30(4), 597-603, 2015.
• 32. Sindi H., Nour M., Rawa M., Öztürk Ş., Polat K., Random fully connected layered 1D CNN for solving the Z-bus loss allocation problem, MEASUREMENT, 171, 2021.
• 33. Guo X., Zhao Q., Zheng D., Ning Y., Gao Y., A short-term load forecasting model of multi-scale CNN-LSTM hybrid neural network considering the real-time electricity price, Energy Rep., 6(9), 1046-1053, 2020.
• 34. SağlıkBakanlığı.https://hsgm.saglik.gov.tr/depo/birimler/kanserdb/istatistik/Turkiye_Kanser_Istatistikleri_2015.pdf. Erişim Tarihi Haziran 10, 2020.