Dalgacık dönüşümü ve makine öğrenme teknikleri kullanılarak FTIR sinyallerinden kolon kanseri hastaları ve sağlıklı kişileri sınıflandırmak için yeni bir yöntem

Öz

Fourier Dönüşümü Kızılötesi (FTIR – Fourier Transform Infrared) spektroskopisi, kimyasal değişimleri saptayabilme kabiliyetinden dolayı kan örneklerinden kanseri tespiti çalışmalarında kullanılmaktadır. Hastaların ve sağlıklı kişilerin FTIR sinyalini ayırt etmeye yönelik çalışmalardaki en büyük zorluk, FTIR sinyallerinde açık bir spektral farkın olmamasıdır. Daha önceki çalışmalarda, bu zorluğun üstesinden gelmek için kan örneklerinin kurutulup, daha sonra FTIR ölçümü sonucu elde edilen sinyalindeki pik değerleri veya pik oranları kullanılmıştır. Önerilen yöntemde ise, literatürden farklı olarak, plazma örnekleri kurutulmadan sıvı halde ölçülmüş ve elde edilen FTIR sinyali bir bütün olarak incelenmiştir. Her bir FTIR sinyali, dalgacık dönüşümü kullanılarak alt bantlara ayrıştırılmıştır. Kolon kanseri hastaları ve sağlıklı kişiler, FTIR sinyalinin alt bantlardan çıkarılan özellikler kullanılarak sınıflandırılmıştır. Sınıflandırma işlemi için Yapay Sinir Ağları (YSA), Destek Vektör Makineleri (DVM) ve k-En Yakın Komşu (k-NN) algoritmaları kullanılmıştır. Kolon kanseri hastaları ve sağlıklı kişiler DVM ile %97,14 doğrulukla sınıflandırılmıştır. Deneysel sonuçlar, önerilen yöntemin, kolon kanseri hastalarını ve sağlıklı bireyleri ayırt etmede faydalı bir yöntem olabileceğini göstermektedir.

Anahtar Kelimeler

• FTIR sinyali,kolon kanseri,dalgacık dönüşümü,özellik çıkarımı,sınıflandırma

Kaynakça

1. Türkiye İstatistik Kurumu, Ölüm Nedeni İstatistikleri. http://www.tuik.gov.tr/PdfGetir.do?id=27620, Erişim tarihi:09.01.2019
2. Erukhimovitch, V., Talyshinsky, M., Souprun, Y., Huleihel, M., FTIR spectroscopy examination of leukemia patients plasma. Vib Spectrosc. 40 (1), 40–46, 2006
3. Ostrovsky, E., Zelig, U., Gusakova, I., Ariad, S., Mordechai, S., Nisky, I., Kapilushnik, J., Detection of cancer using advanced computerized analysis of infrared spectra of peripheral blood. IEEE Trans Biomed Eng. 60 (2), 343–353, 2013
4. Sheng, D., Liu, X., Li, W., Wang, Y., Chen, X., Wang, X., Distinction of leukemia patients’ and healthy persons’ serum using FTIR spectroscopy. Spectrochim Acta - Part A Mol Biomol Spectrosc. 101, 228–232, 2013
5. Sheng, D., Wu, Y., Wang, X., Huang, D., Chen, X., Liu, X., Comparison of serum from gastric cancer patients and from healthy persons using FTIR spectroscopy. Spectrochim Acta - Part A Mol Biomol Spectrosc. 116, 365–369, 2013
6. Wang, X., Shen, X., Sheng, D., Chen, X., Liu, X., FTIR spectroscopic comparison of serum from lung cancer patients and healthy persons. Spectrochim Acta - Part A Mol Biomol Spectrosc. 122, 193–197, 2014
7. Barlev, E., Zelig, U., Bar, O., Segev, C., Mordechai, S., Kapelushnik, J., Nathan, I., Flomen, F., Kashtan, H., Dickman, R., Madhala-Givon, O., Wasserberg, N., A novel method for screening colorectal cancer by infrared spectroscopy of peripheral blood mononuclear cells and plasma. J Gastroenterol. 56–78, 2015
8. Cheng, CG., Tian, YM., Jin, WY., A study on the early detection of colon cancer using the methods of wavelet feature extraction and SVM classifications of FTIR. Spectroscopy. 22 (5), 397–404, 2008

9. Toraman, S., Kızılötesi Spektroskopisi Kullanılarak Kan Örneklerinden Kolon Kanserine Yönelik Özellik Çıkarımı. Doktora Tezi, Fırat Üniversitesi, Fen Bilimleri Enstitüsü, Elazığ, 2016
10. Akansu, AN., Serdijn, WA., Selesnick, IW., Emerging applications of wavelets: A review. Phys Commun. 3 (2), 1–18, 2010
11. Aydin, F., Aslan, Z., Diagnosis of neuro degenerative diseases using machine learning methods and wavelet transform. Journal of the Faculty of Engineering and Architecture of Gazi University. 32 (3), 749–766, 2017
12. Haşiloǧlu, A., Rotation-Invariant Texture Analysis and Classification by Artificial Neural Networks and Wavelet Transform. Turkish J Eng Environ Sci. 25 (5), 405–413, 2001
13. Phinyomark, A., Hirunviriya, S., Limsakul, C., Phukpattaranont, P., Evaluation of EMG feature extraction for hand movement recognition based on Euclidean distance and standard deviation. Electrical Engineering/Electronics Computer Telecommunications and Information Technology (ECTI-CON), 2010 International Conference on. Chiang Mai, Thailand, 856-860, 19-21 May, 2010
14. Phinyomark, A., Limsakul, C., Phukpattaranont, P., A Novel Feature Extraction for Robust EMG Pattern Recognition. J Comput. 1 (1), 71–80, 2009
15. Vigneshwari, C., Vimala, V., Vignesh, SV., Sumithra, G., Analysis of Finger Movements Using EEG Signal. Int J Emerg Technol Adv Eng. 3 (1), 583–588, 2013
16. Ghahdarijani, AM., Hormozi, F., Asl, AH., Convective heat transfer and pressure drop study on nanofluids in double-walled reactor by developing an optimal multilayer perceptron artificial neural network. Int Commun Heat Mass Transf. 84, 11–19, 2017
17. Atanassov, K., Sotirov, S., Index matrix interpretation of the Multilayer perceptron. 2013 IEEE International Symposium on Innovations in Intelligent Systems and Applications, IEEE INISTA 2013. Albena, Bulgaria, 1-3, 19-21 June, 2013
18. Subasi, A., Ercelebi, E., Classification of EEG signals using neural network and logistic regression. Comput Methods Programs Biomed. 78, 87–99, 2005
19. Khazaee, A., Ebrahimzadeh, A., Classification of electrocardiogram signals with support vector machines and genetic algorithms using power spectral features. Biomed Signal Process Control. 5 (4), 252–263, 2010
20. Kharat, PA., Dudul, S V., Daubechies Wavelet Neural Network Classifier for the Diagnosis of Epilepsy. WSEAS Trans Biol Biomed. 9 (4), 103–113, 2012
21. Ayhan, S., Erdoğmuş, Ş., Kernel Function Selection for the Solution of Classification Problems via Support Vector Machines. Eskişehir Osmangazi Univ J Econ Adm Sci. 9 (1), 175–198, 2014
22. Akbari, A., Arjmandi, MK., Employing linear prediction residual signal of wavelet sub-bands in automatic detection of laryngeal pathology. Biomed Signal Process Control. 18, 293–302, 2015
23. Yücesoy, E., V. Nabiyev, V., Determination of a speaker’s age and gender with an SVM classifier based on GMM supervectors. Journal of the Faculty of Engineering and Architecture of Gazi University. 31 (3), 2016
24. Osuna, E., Freund, R., Girosi, F., Support Vector Machines : Training and Applications. Massachusetts Inst Technol. 9217041 (1602), 1997
25. Kavzoğlu, T., Çölkesen, İ., Investigation of the Effects of Kernel Functions in Satellite Image Classification Using Support Vector Machines. Harit Derg. 144, 73–82, 2010
26. Duda, RO., Hart, PE., Stork, DG., Pattern Classification, Second Edition, Wiley-Interscience publication, 2000
27. Ngui, WK., Leong, MS., Hee, LM., Abdelrhman, AM., Wavelet Analysis: Mother Wavelet Selection Methods. Appl Mech Mater. 393, 953–958, 2013
28. Ahmed, SSSJ., Santosh, W., Kumar, S., Thanka Christlet, TH., Neural network algorithm for the early detection of Parkinson’s disease from blood plasma by FTIR micro-spectroscopy. Vib Spectrosc. 53 (2), 181–188, 2010
29. Toraman, S., Türkoğlu, İ., A New Automatic Recognition Method for Determine Colon Cancer from FTIR Sign Patterns. Kilis, Turkey, 2354-2361, 19-20 March, 2016
30. Toraman, S., Girgin, M., Üstündağ, B., Türkoğlu, İ., Classication of the Likelihood of Colon Cancer With Machine Learning Techniques Using FTIR Signals Obtained From Plasma. Turkısh J Electrıcal Engıneerıng Comput Scıences. doi: 10.3906/elk-1801-259.
31. Toraman, S., Türkoğlu, İ., Derin Öğrenme ile FTIR Sinyallerinden Kolon Kanseri Riskinin Belirlenmesi. Fırat Üniversitesi Mühendislik Bilim Derg. 30 (3), 115–120, 2018