Beyin tümörünün evrelenmesi

Beyin tümörünün evresinin kesin olarak belirlenmesi, beyin tümörüne sahip hastalar için hayati derecede öneme sahiptir. Çünkü tümörün evresine göre hastaya uygulanan tedavi planlaması değişmektedir. Bu durum hastanın ortalama yaşam süresi bakımından kritik öneme sahiptir. WHO kanserleri dört genel evreye ayırmıştır. GI ve GII düşük evreler olup; bu evrelerdeki tümörler iyi huylu olarak isimlendirilmiştir. GIII ve GIV evresindeki tümörler ise yüksek evreli olup kötü huylu tümörler olarak bilinmektedir. Doğal olarak, beyin tümörlerinde de tümörün evresinin belirlenmesi önemli bir süreçtir.

Tıbbi açıdan tümörün evresinin belirlenmesi için bir dizi test yapılmaktadır. Biyopsi, kan alma gibi uygulamalar invaziv olup hastanın yaşam kalitesini oldukça etkilemektedir. Bunun yerine invaziv olmayan bilgisayar destekli bir teşhis sistemi, bu alana klinik olarak olumlu katkılar sağlayacaktır.

Tümörün evresinin bilgisayar destekli olarak MR görüntüsü üzerinden yapılması, oldukça zor ve başarı oranı düşük bir yöntem olmaktadır. Çünkü, tümörün MR görüntüsündeki biçimi, şekli, sınırları, renk tonları gibi özellikleri tümörün evresi hakkında net bilgi sunamamaktadır. Bunun yerine alternatif olarak bu çalışmada, beyin tümörünün evresinin belirlenmesi için MRS sinyallerinin kullanılması önerilmektedir.

Beyin tümörünün MRS spektrum verileri ile evresinin belirlenmesi için, düşük evreli astrositom GI-GII ve yüksek evreli astrositom GIII-GIV evrelerindeki beyin tümörlerinin ayrımı şeklinde iki farklı test işlemi gerçekleştirilmiştir. Test işlemlerinde öncelikle GI veya GII evreli bir beyin tümörüne ait MRS sinyali

alınarak, NSA algoritması ile eğitim kümesi olarak belirlenmiştir. Daha sonraki belirlenecek sinyaller ise optimum dedektör kümesi ile eşleştirilmek üzere test sinyali olarak kullanılmıştır. Sinyaldeki anormal durumlar tespit edildikten sonra bu çalışmada önerilen özellik çıkarım yöntemi ile sinyalin sınıflandırılması için özelliklerinin çıkarımı gerçekleştirilmiştir. Şekil 5.18'da gerçekleştirilen sistemde GII evreli Diffüz Astrositom beyin tümörüne ait eğitim sinyali ve GBM beyin tümörüne sahip bir hastaya ait test MRS sinyallerinin optimum dedektör kümesi ile çizdirilmiş biçimleri görülmektedir. Şekilde mavi renk ile gösterilen sinyal eğitim sinyalini, kırmızı renk ile gösterilen sinyal test sinyalini ve küçük renkli noktalar ise optimum dedektör kümesinin örüntülerini göstermektedir.

Şekil 5.18. Beyin tümörünün evrelemesi için GII evreli astrositom ve GBM MRS eğitim ve test sinyalleri

Şekil 5.18'da görüldüğü gibi, eğitim için kullanılan GII evreli astrositom beyin tümörüne sahip bir hastaya ait MRS sinyali ile test için kullanılan GBM beyin tümörüne sahip bir hastanın MRS sinyali arasında bazı değişiklikler görülmektedir. Bunlardan en önemlileri, GBM sinyalinde 1.3 ppm - 1.4 ppm frekans aralıklarında Lac + Lip piklerinde aşırı bir yükselme; yaklaşık 2.02 ppm frekans değerindeki NAA pikinde ise aşırı bir düşüş görülmektedir. GBM beyin tümörüne ait MRS sinyalleri ile GII evreli astrositom beyin tümörüne ait MRS sinyallerinin bazı parametrelerinin karşılaştırılması Tablo 5.15'de sunulmuştur.

Tablo 5.15. GII evreli astrositom ve GBM için ortalama parametre değişimleri

Parametre ^{Düşük evreli astrositom} (GII)

Yüksek evreli astrositom (GIV GBM)

NAA/Cr 2.96±1.2 0.64±1.12

Cho/Cr 4.5±2.5 2.87±3.16

Cho/NAA 3.39±1.89 4.49±1.11

Lac/Cr 0.21±0.15 6.60±3.40

Aktifleşen dedektör sayısı 10.25±2.87 22.09±6.13

Hata oranı 5.09±1.03 10.99±2.17

GII evreli astrositom beyin tümörleri ile GIV evreli astrositom beyin tümörlerinin birbirinden ayrımı ile beyin tümörlerinin evrelemesi için yine iki farklı test işlemi yürütülmüştür. İlk test işleminde herhangi bir özellik çıkarımı yapılmadan, MRS sinyal spektrumundaki 190 verinin tamamı kullanılarak sınıflandırma işlemi gerçekleştirilmiştir. Sınıflandırma işleminde PNN, k-NN, Bayes, LDA ve SVM yöntemlerinin her birisinin başarımı değerlendirilmiştir. Her bir sınıflandırma metodunda, elde edilen eşleştirme matrisi sonuçları Tablo 5.16'da gösterilmiştir. Sınıflandırma işleminde GII evreli astrositom için 31 örnek, GBM için ise 23 örnek alınarak toplamda 54 örnek MRS sinyal örüntüsü üzerinde test işlemi gerçekleştirilmiştir.

Tablo 5.16. Beyin tümörünün evrelemesi için GII evreli astrositom ve GBM MRS sinyallerinin tüm noktalarına göre yapılan sınıflandırma sonuçları

Özellik sayısı Yöntem ^{Eşleştirme matrisi}

TP FP FN TN 190 Bayes 27 9 4 14 190 k-NN 30 7 1 16 190 PNN 31 11 0 12 190 SVM 30 5 1 18 190 LDA 30 6 1 17

Tablo 5.16 incelendiğinde, MRS sinyalinin tamamı kullanılarak yapılan test işlemlerinde en başarılı sınıflandırma sonuçlarının SVM yöntemi ile elde edildiği görülmektedir. Bu sınıflandırma metodu ile toplamda 54 vakanın 48 tanesi başarılı olarak sınıflandırılmıştır. Bu sonuçların aksine, PNN yöntemi ile 54 vakanın sadece 43 tanesi başarılı olarak ayrılarak, en düşük sınıflandırma başarısı elde edilmiştir. Genel olarak bakıldığında, bir MRS sinyalindeki tüm noktalara göre yapılan sınıflandırma sonuçlarının, istenilen düzeylerde olmadığı görülmektedir.

Tüm noktalara göre sınıflandırma işleminde Tablo 5.16'daki sonuçlar için elde edilen performans ölçümü verileri ise Tablo 5.17'de gösterilmiştir. ACC, SEN, SPE, PDV ve NDV performans kriterleri sonuçları bu tabloda gösterilmektedir.

Tablo 5.17. Beyin tümörünün evrelemesi için GII evreli astrositom ve GBM MRS sinyallerinin tüm noktalarına göre yapılan sınıflandırma sonuçlarının performans karşılaştırmaları

Özellik Sayısı

Performans kriteri

Sınıflandırma yöntemlerinin performans sonuçları

Bayes k-NN PNN SVM LDA 190 ACC 75.92 85.18 79.63 88.89 87.03 190 _{SEN 87.09 96.77 100 96.77 96.77} 190 _{SPE 60.87 69.57 52.17 78.26 73.91} 190 _{PDV 75.00 81.08 73.81 85.71 83.33} 190 _{NDV 77.78 94.11 100 94.74 94.44}

Beyin tümörlerinin evrelemesinin yapılması için gerçekleştirilen ikinci test işleminde ise, bu çalışmada önerilen özellik çıkarım yöntemi ile MRS sinyalinden özellik çıkarımı yapılarak sınıflandırma işlemi gerçekleştirilmiştir. NSA algoritması tabanlı yöntem ile 190 noktanın hepsini kullanmak yerine, MRS sinyalinden 19 tane özellik çıkarılarak özellik vektörü oluşturulmuştur. Sınıflandırma işleminde yine daha önceki test işleminde olduğu gibi PNN, k-NN, Bayes, LDA ve SVM yöntemlerinin her birisinin başarımı ölçülmüştür. Bu test işlemi için her bir sınıflandırma metodunda elde edilen eşleştirme matrisi sonuçları Tablo 5.18'de gösterilmiştir.

Tablo 5.18. Beyin tümörünün evrelemesi için GII evreli astrositom ve GBM MRS sinyallerinin önerilen yönteme göre yapılan sınıflandırma sonuçları

Özellik sayısı Yöntem ^{Eşleştirme matrisi}

TP FP FN TN 19 Bayes 30 0 1 23 19 ^{k-NN 31 0 0 23} 19 ^{PNN 31 0 0 23} 19 ^{SVM 31 0 0 23} 19 ^{LDA 30 3 1 20}

Önerilen özellik seçim yönteminin, beyin tümörünün evrelemesi için sınıflandırma başarısı üzerindeki etkisini göstermek için oluşturulan ikinci test işlemlerinin yapıldığı Tablo 5.18 incelendiğinde, bu çalışmada önerilen yöntem ile özellik çıkarımı yapılıp sınıflandırıldığında SVM, PNN ve k-NN metotları ile en yüksek sınıflandırma başarımı elde edilmiştir. Diğer bir deyişle 54 vakanın tamamının doğru olarak tahmin edildiği görülmüştür. Diğer sınıflandırma yöntemleri olan Bayes ve LDA ile ikinci test işlemlerinde, birinci test işlemine göre kayda değer derecede sınıflandırma başarım oranının yükseldiği görülmüştür.

Tablo 5.18'deki sınıflandırma sonuçlarına göre elde edilen performans ölçümü verileri ise Tablo 5.19'da gösterilmiştir. ACC, SEN, SPE, PDV ve NDV performans kriterleri sonuçları bu tablodan detaylı olarak görülebilir.

Tablo 5.19. Beyin tümörünün evrelemesi için GII evreli astrositom ve GBM MRS sinyallerinin önerilen yönteme göre yapılan sınıflandırma sonuçlarının performans karşılaştırmaları

Özellik Sayısı

Performans kriteri

Sınıflandırma yöntemlerinin performans sonuçları

Bayes k-NN PNN SVM LDA 19 ACC 98.15 100 100 100 94.44 19 ^{SEN 96.77 100 100 100 100} 19 ^{SPE 100 100 100 100 86.96} 19 ^{PDV 100 100 100 100 91.18} 19 ^{NDV 95.83 100 100 100 100}

GII evreli astrositom ve GBM beyin tümörlerinin birbirinden ayrımı için yapılan test sonuçları incelendiğinde, bu çalışmada önerilen yöntem ile özellik çıkarılıp,

sınıflandırma işlemi yapıldığında oldukça başarılı sonuçların elde edildiği görülmüştür. Bunun yanında, SVM, PNN ve k-NN sınıflandırma metotları kullanıldığında, vakaların daha başarılı bir şekilde birbirinden ayrıldığı gözlemlenmiştir.