Meme Kanseri Tespitinde Mikrodalgaların Önemi ve Kanserli/Sağlıklı Meme Dokularının Yapay Zeka Algoritmaları ile Tanımlanabilmesi

Öz

Dünyada akciğer kanserinden sonra en sık rastlanan kanser türü meme kanseri olmasına rağmen; erken tanı meme kanserini tehlikeli olmaktan çıkarmaktadır. Kanserli hücreleri tespit etmek amacıyla birçok yöntem geliştirilmiştir. Mikrodalga frekanslarında kötü huylu kanser hücrelerinin elektriksel özellikleri normal hücrelere göre belirgin farklılıklar göstermektedir. Bu frekanslarda göğüs dokusunun, beyin ve kas gibi diğer dokulara göre daha geçirgen olması, mikrodalga frekansında elektromanyetik dalgaların kanserli hücrelerin görüntülenmesinde kullanılması fikrini desteklemektedir. Meme kanseri teşhisinde kullanılan mamografi gibi birçok tekniğin kötü huylu hücrelerin tespitinde yetersiz kalması, maliyetlerinin yüksek olması ve hastanın zararlı ışınlara, rahatsız edici durumlara maruz kalması arzu edilen bir durum değildir. Bu makalenin amaçlarından biri; kanserin erken safhalarında tümörlerin çok daha küçük olduğunu ve mikrodalga görüntüleme yönteminin küçük tümörlerin tespitinde yüksek potansiyeli ile iyi bir aday olduğunu göstermektir. İkincisi ise; dokuların elektriksel özelliklerini kullanarak sınıflandırılabileceklerini göstermek açısından literatürde var olan, sağlıklı ve kanserli doku hücrelerinin elektriksel empedansı spektroskopi (EES) yöntemi ile elde edilen veri setinden yararlanılarak İleri Beslemeli Geriye Yayılımlı Yapay Sinir Ağı (İBGY-YSA) ve Destek Vektör Makineleri (DVM) gibi algoritmalar arasından en iyi sınıflama performansına sahip makine öğrenme yöntemi karşılaştırmalı olarak belirlemektir. Genel olarak sonuçlar incelendiğinde farklı elektriksel özellikleri bakımından kanserli ve normal meme dokularının bu yöntemlerle ayırt edilebildikleri görülmektedir ve Mikrodalga Görüntüleme bir takım umut verici stratejiler ortaya çıkarmıştır.

Anahtar Kelimeler

• Mikrodalga görüntüleme, Elektriksel özellikler, Elektriksel empedansı spektroskopi (EES), İleri beslemeli geriye yayılımlı yapay sinir ağı (İBGY-YSA), Destek vektör makineleri (DVM)

The Importance of Microwaves in the Detection of Breast Cancer and the Identifıcation of Cancer/Healthy Breast Tissues by Artificial Intelligence Algorithms

Öz

Although the breast cancer is the second most common cancer after lung cancer in the world, early diagnosis plays an important role to decrease the death rate. Many methods have been developed to detect the For these frequencies, the breast tissue is more permeable than other tissues such as brain, muscle. Due to this property of the breast tissue, the microwaves can be used for detecting of breast cancer. Other methods, such as mammography, are inadequate for detection of the small kind of malignant cells and harmful because of their X – Ray radiation. One of the purposes of this paper is to show that tumors are much smaller in early stages of cancer and microwave imaging is a good candidate with high potential for detection of small tumors. Secondly, in order to show that the tissues can be classified based on their dielectric properties; a currently available electrical impedance spectroscopy (EIS) data set is used. The data in the set is consists of EIS values of the healthy and cancerous tissues. Different machine learning algorithms such as Feed Forward Back Propagation Neural Network (FFBP-NN) and Support Vector Machines (SVM) are used and the results are compared to find the best classification method. As a result, the healthy and cancerous tissues can be identified by these methods and Microwave Imaging has revealed a number of promising strategies.

Anahtar Kelimeler

• Microwave imaging, Electrical properties, Electrical impedance spectroscopy (EIS), Feed forward back propagation neural network (FFBP-NN), Support vector machines (SVM)

Kaynakça

1. 1. Biçer, M. B., Avşar Aydın, E., Akdağlı, A., 2014. Meme Kanseri Görüntülenmesinde Mikrodalganın Yeri, Erciyes Üniversitesi Fen Bilimleri Enstitü Dergisi.
2. 2. Meme Kanseri, Wikipedia, http://tr.wikipedia.org/wiki/Meme_kanseri, [Erişim: Şubat 2014].
3. 3. Fear, E.C.X., Hagness S.C., Stuchly M. A., 2002. Confocal Microwave Imaging for Breast Cancer Detection: Localization of Tumors in Three Dimensions, IEEE Transactions on Biomedical Engineering, 49, 812-822.
4. 4. Hagness, S. C., Taflove, A., Bridges J. E., 1998. Two-Dimensional FDTD Analysis of a Pulsed Microwave Confocal System for Breast Cancer Detection: Fixed-Focus and Antenna-Array Sensors, IEEE Transactions on Biomedical Engineering, 45, 1470-1479.
5. 5. Karpat, E., 2009. Gömülü ve/veya Örtülü Nesnelerin Algılanmasında Yeni Yaklaşımlar, Doktora Tezi, Uludağ Üniversitesi, Fen Bilimleri Enstitüsü.
6. 6. Fear, E., Stuchly, M., 2003. Microwaves for Breast Cancer Detection?, IEEE Potentials
7. 7. Paulsen, K., Meaney, P., Gilman, L., 2005. Alternative Breast Imaging Four ModelBased Approaches, Springer, ABD.
8. 8. Meme Kanseri Önlenebilir mi?, http://www.memeonline.net/icerik/45/memekanseri-onlenebilir-mi-.aspx, [Erişim: 25 Temmuz 2014].

9. 9. Lazebnik, M., McCartney, L., Popovic, D., Watkins, C.,Lindstrom, M., Harter, J., Sewall, S., Magliocco, A., Booske, J., Okoniewski, M., Hagness, S., 2007. A LargeScale Study of the Ultrawideband Microwave Dielectric Properties of Normal, Benign and Malignant Breast Tissues Obtained Cancer Surgeries, IOP Publishing, Phys. Med. Biol., Cilt 52, 6093–611.
10. 10. Hagl, D. M., Popovic, D., Hagness, S., Booske, J., Okoniewski, M., 2003. Sensing Volume of Open-Ended Coaxial Probes for Dielectric Characterization of Breast Tissue at Microwave Frequencies, IEEE Trans. Microw. Theory Tech., Cilt 51, 1194-206.
11. 11. Popovic, D., McCartney, L., Beasley, C., Lazebnik, M., Okoniewski, M., Hagness, S., Booske, J., 2005. Precision Open-Ended Coaxial Probes for in Vivo and Ex Vivo Dielectric Spectroscopy of Biological Tissues at Microwave Frequencies, IEEE Trans. Microw. Theory Tech., Cilt 53, No. 5, 1713- 22.
12. 12. Porter, E., Fakhoury, J., Oprisor, R., Coates, M., Popovic, M., 2010. Improved Tissue Phantoms for Experimental Validation of Microwave Breast Cancer Detection, Antennas and Propagation (EuCAP), 2010 Proceedings of the Fourth European Conference on, Barcelona, Spain, 12-16 April
13. 13. Firoozabadi, R., Miller, E., 2010. Finite Element Modeling of Electromagnetic Scattering for Microwave Breast Cancer Detection, Excerpt from the Proceedings of the COMSOL Conference, Boston.
14. 14. Gandhi, O., Gao, B.,Chen, J., 1993. A-Frequency Dependent Finite-Difference Time-Domain Formulation for General Dispersive Media, IEEE Transactions on Microwave Theory and Techniques, 41.
15. 15. Ortega-Palacios, R., Leija, L., Vera, A., Cepeda, M. F.J., 2010. Measurement of Breast-Tumor Phantom Dielectric Properties for Microwave Breast Cancer Treatment Evaluation, 2010 7th International Conference on Electrical Engineering, Computing Science and Automatic Control (CCE 2010) Tuxtla Gutiérrez, Chiapas, México.
16. 16. Firozabadi, R., Miller, E., 2011. A Shape-Based Inversion Algorithm Applied to Microwave Imaging of Breast Tumors, IEEE Transactions on Antennas and Propagation, 59,
17. 17. Sill, J., Fear, E., 2005. Tissue Sensing Adaptive Radar for Breast Cancer DetectionExperimenal Inverstigation of Simple Tumor Models, IEEE Trans. Microw. Theory Tech., 53.
18. 18. Kuhn M., 2010. Open-Ended Coaxial Probe Measurements for Breast Cancer Detection, RWS'10 Proceedings of the 2010 IEEE conference on Radio and Wireless Symposium, 512-515.
19. 19. Lazebnik, M. , Okoniewski, M., Booske, J., Hagness, S., 2007. Highly Accurate Debye Models for Normal and Malignant Breast Tissue Dielectric Properties at Microwave Frequencies, 17, No. 12.
20. 20. Lazebnik, M., Booske, J., Popovic, D., McCartney, L., Okoniewski, M., Lindstrom, M., Breslin, T., Harter, J., Sewall, S., Temple, W., Mew, D., Magliocco, A., Ogilvie, T., 2007. The Dielectric Properties of Normal and Malignant Breast Tissue at Microwave Frequencies: Analysis, Conclusions, and Implications from the Wisconsin/Calgary Study, IOP Publishing Phys. Med. Biol., 52, 6093-6115.
21. 21. Li, X., Bond, E., VanVeen, B., Hagness, S. 2005. An Overview of Ultrawideband Microwave Imaging via Space-Time Beamforming for Early-Stage Breast Cancer Detection, IEEE Antennas and Propagation Magazine, 47, No. 1.
22. 22. Converse, M., Bond, E., Hagness, S., Van Veen, B., 2004. Ultrawideband Microwave Space-Time Beamforming for Hyperthermi Treatment of Breast Cancer: A Computational Feasibility Study, IEEE Trans. Micr. Theory Tech., 52:1876-89.
23. 23. Kirshin, E., Oreshkin, B., Zhu, G. K., Popovic, M., Coates, M., 2013. Microwave Radar and Microwave-Induced Thermoacoustics: Dual-Modality Approach for Breast Cancer Detection, IEEE Transactions on Biomedical Engineering, 60, 354-360.
24. 24. Shahzad, A., O’Halloran, M., Jones, E., Glavin, M., 2013. Prefiltered Beamforming for Early-Stage Breast Cancer Detection, IEEE Antennas and Wireless Propagation Letters, 12, 500-503.
25. 25. Kwon, S. ve Lee, S., 2013 Instantaneous Microwave Imaging with Time-Domain Measurements for Breast Cancer Detection, IEEE Electronics Letters, 49.
26. 26. Ghavami, N., Tiberi, G., Edwards, D.J., Monorchio, A., 2012. UWB Microwave Imaging of Objects with Canonical Shape, IEEE Transactions on Antennas and Propagation, 60, 231-239.
27. 27. Bassi, M., Caruso, M., Khan, M.S., Bevilacqua, A., Capobianco, A. D., Neviani, A., 2013. An Integrated Microwave Imaging Radar with Planar Antennas for Breast Cancer Detection, IEEE Transactions on Microwave Theory and Techniques, 61, 2108-2118.
28. 28. Fouda, A. E., Teixeira, F. L., 2014. UltraWideband Microwave Imaging of Breast Cancer Tumors via Bayesian Inverse Scattering, Journal of Applied Physics, 115.
29. 29. Frank, A., Asuncion, A., 2010. UCI Machine Learning Repository [http://archive.ics.uci.edu/ml], Breast Tissue Dataset. Irvine, CA: University of California, School of Information and Computer Science, [Erişim: 28 Kasım 2013]