İyi / kötü huylu beyin tümörlerinin ayrımı

İyi huylu beyin tümörü ile kötü huylu beyin tümörünün MRS spektrum verileri ile ayrımının yapılması için, normal beyin dokusu ve GBM beyin tümörlerinin ayrımında olduğu gibi iki farklı test işlemi gerçekleştirilmiştir. Test işlemlerinde öncelikle iyi huylu bir beyin tümörüne ait MRS sinyali alınarak, NSA algoritması için eğitim kümesi oluşturulmuştur. Daha sonraki sinyaller ise optimum dedektör

kümesi ile eşleşmek 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 5.17'de gerçekleştirilen sistemde iyi huylu meningiom beyin tümörüne ait eğitim sinyali ve GBM beyin tümörüne sahip 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 5.17. İyi ve kötü huylu beyin tümörlerinin ayrımı için meningiom ve GBM MRS sinyallerine ait örüntüler

Şekil 5.17'de görüldüğü gibi, eğitim için kullanılan iyi huylu Meningiom 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 değerinde NAA pikinde ise aşırı bir düşüş görülmektedir. GBM beyin tümörüne ait MRS sinyalleri ile Meningiom beyin tümörüne ait MRS sinyallerinin bazı parametrelerinin karşılaştırılması Tablo 5.10'da sunulmuştur.

Tablo 5.10. İyi ve kötü huylu beyin tümörlerinin ayrımı için Meningiom ve GBM MRS sinyallerinin ortalama parametre değişimleri

Parametre Meningiom GBM

NAA/Cr 1.01±0.26 0.64±1.12

Cho/Cr 1.52±1.20 2.87±3.16

Cho/NAA 1.51±1.15 4.49±1.11

Lac/Cr 0.11±0.05 6.60±3.40

Aktifleşen dedektör sayısı 8.48±1.23 25.55±5.85

Hata oranı 4.22±0.75 12.71±2.35

Meningiom ve GBM beyin tümörlerinin ayrımı 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 ölçülmüştür. Her bir sınıflandırma metodunda, normal beyin dokusu ve GBM için elde edilen eşleştirme matrisi sonuçları Tablo 5.11'de gösterilmiştir. Sınıflandırma işleminde meningiom için 11 örnek, GBM için ise 22 örnek alınarak, toplamda 33 örnek MRS sinyal örüntüsü üzerinde test işlemi gerçekleştirilmiştir.

Tablo 5.11. İyi ve kötü huylu beyin tümörlerinin ayrımı için Meningiom ve GBM MRS sinyallerinin tüm noktalarına göre yapılan sınıflandırma sonuçları

Özellik sayısı Yöntem ^{Eşleştirme matrisi}

TP FP FN TN 190 Bayes 10 7 1 15 190 k-NN 10 5 1 17 190 PNN 11 10 0 12 190 SVM 11 5 0 17 190 LDA 10 4 1 18

Tablo 5.11 incelendiğinde, MRS sinyalinin tamamı kullanılarak yapılan test işlemlerinde, en başarılı sınıflandırma sonuçlarının LDA ve SVM yöntemleri ile elde edildiği görülmektedir. Bu sınıflandırma metotları ile toplamda 33 vakanın 28 tanesi başarılı olarak sınıflandırılmıştır. k-NN yöntemi ile de 33 vakanın 27 tanesi başarılı olarak ayrılmıştır. PNN yöntemi ile 33 vakanın sadece 23 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 5.11'deki sonuçlara göre elde edilen performans ölçümü verileri ise Tablo 5.12'de gösterilmiştir. ACC, SEN, SPE, PDV ve NDV performans kriterleri sonuçları bu tabloda gösterilmektedir.

Tablo 5.12. İyi ve kötü huylu beyin tümörlerinin ayrımı için meningiom 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 75.76 81.82 66.67 84.85 84.85 190 SEN 90.91 90.91 100 100 90.91 190 SPE 68.18 72.27 54.55 72.27 81.82 190 PDV 58.82 66.67 52.38 68.75 71.42 190 NDV 93.75 94.44 100 100 94.74

GBM ve meningiom beyin tümörlerinin ayrımının 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, meningiom ve GBM beyin tümörleri için elde edilen eşleştirme matrisi sonuçları Tablo 5.13'de gösterilmiştir.

Tablo 5.13. İyi ve kötü huylu beyin tümörlerinin ayrımı için Meningiom ve GBM MRS sinyallerinin önerilen yönteme göre yapılan sınıflandırma sonuçları

Özellik sayısı Yöntem ^{Eşleştirme matrisi}

TP FP FN TN 19 Bayes 10 2 1 20 19 ^{k-NN 11 4 0 19} 19 ^{PNN 11 3 0 19} 19 ^{SVM 11 1 0 21} 19 ^{LDA 11 4 0 18}

Önerilen özellik seçim yönteminin, sınıflandırma başarısı üzerindeki etkisini göstermek için oluşturulan ikinci test işlemlerinin yapıldığı Tablo 5.13 incelendiğinde, bu çalışmada önerilen yöntem ile özellik çıkarılıp LDA, PNN, k-NN, Bayes ve SVM sınıflandırma metotları ile sınıflandırıldığında SVM metodu ile en yüksek sınıflandırma başarımı elde edilmiştir. Diğer bir deyişle 33 vakanın 32 tanesinin doğru olarak tahmin edildiği görülmüştür. Diğer sınıflandırma yöntemleri olan PNN, LDA, Bayes ve k-NN ile ikinci test işlemlerinde, birinci test işlemine göre sınıflandırma başarı oranının önemli derecede yükseldiği belirlenmiştir.

Tablo 5.13'deki sınıflandırma sonuçlarına göre elde edilen performans ölçümü verileri ise Tablo 5.14'de gösterilmiştir. ACC, SEN, SPE, PDV ve NDV performans kriterleri sonuçları bu tablodan detaylı olarak görülmektedir.

Tablo 5.14. İyi ve kötü huylu beyin tümörlerinin ayrımı için meningiom 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 90.91 87.88 90.91 96.97 87.88 19 ^{SEN 90.91 100 100 100 100} 19 ^{SPE 90.91 81.82 86.36 94.45 81.82} 19 ^{PDV 83.33 73.33 78.57 91.67 73.33} 19 ^{NDV 95.24 100 100 100 100}

Meningiom 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 sınıflandırma metodu kullanıldığında, vakaların daha başarılı bir şekilde birbirinden ayrıldığı gözlemlenmiştir.