Normal beyin dokusu ve tümörlü beyin dokusunun ayrımı

Normal beyin dokusu ile beyin tümörlerinin MRS spektrum verileri ile ayrımının yapılması için bazı test işlemleri gerçekleştirilmiştir. Bu amaçla, normal hastadan alınan bir beyin dokusuna ait MRS sinyali ve GBM beyin tümörüne sahip bir hastaya ait MRS sinyallerinin ayrımının yapılması sağlanmıştır. Öncelikle, normal bir beyin dokusuna ait MRS sinyali alınarak NSA algoritması ile eğitim kümesi olarak belirlenmiştir. Daha sonraki sinyaller ise, optimum dedektör kümesi eşleştirilmek üzere test sinyali olarak kullanılmıştır. Sinyaldeki anormal durumlar tespit edildikten sonra, bu tez çalışmasında önerilen özellik çıkarım yöntemi ile sinyalin sınıflandırılması için özelliklerinin çıkarımı gerçekleştirilmiştir. Şekil 5.16'de gerçekleştirilen sistemde normal bir beyin dokusuna ait eğitim sinyali ve GBM bir beyin tümörüne sahip hastaya ait test MRS sinyallerinin, optimum dedektör kümesi ile çizdirilmiş biçimleri görülmektedir. Şekilde mavi renk ile gösterilen sinyal normal beyin dokusuna ait eğitim sinyalini, kırmızı renk ile gösterilen sinyal GBM tümörüne ait test sinyalini ve küçük renkli noktalar ise optimum dedektör kümesinin örüntülerini göstermektedir.

Şekil 5.16. Normal beyin dokusu ile GBM beyin tümörlerinin ayrımı için oluşturulan eğitim / test MRS sinyalleri ve dedektör kümesi

Şekil 5.16'de görüldüğü gibi, GBM beyin tümörüne sahip bir hastaya ait MRS sinyalinde, normal beyin dokusuna ait MRS sinyaline göre bazı değişiklikler seyredilmektedir. Bu değişikliklerden 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. Aynı zamanda NAA/Cr oranında düşme ve Cho/NAA oranında ise yükselme görülmektedir. Test işleminde normal beyin dokusuna ve GBM beyin tümörüne ait MRS sinyallerinin bazı parametrelerinin karşılaştırılması Tablo 5.5'de sunulmuştur.

Tablo 5.5. Normal beyin dokusu ve GBM tümörlerinin ayrımı için ortalama parametre değişimleri

Parametre Normal beyin dokusu GBM

NAA/Cr 1.83±0.42 0.64±1.12

Cho/Cr 1.01±0.34 2.87±3.16

Cho/NAA 0.56±0.22 4.49±1.11

Lac/Cr 0.29±0.66 6.60±3.40

Aktifleşen dedektör sayısı 3.81±1.15 38.86±7.23

Hata oranı 1.90±0.82 19.33±5.17

Normal beyin dokusu ve GBM beyin tümörlerinin ayrımı için 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 başarım değerlendirmesi yapılmıştır. Her bir sınıflandırma metodunda, normal beyin ve GBM için elde edilen eşleştirme matrisi sonuçları Tablo 5.6'da gösterilmiştir. Sınıflandırma işleminde normal beyin için 25 örnek, GBM için ise 31 örnek alınarak, toplamda 56 örnek MRS sinyal örüntüsü üzerinde test işlemi gerçekleştirilmiştir.

Tablo 5.6. Normal beyin dokusu ve GBM beyin tümörlerinin ayrımı için MRS sinyalinin tüm noktalarına göre yapılan sınıflandırma sonuçları

Özellik sayısı

Yöntem ^{Eşleştirme matrisi}

TP FP FN TN 190 Bayes 25 13 0 18 190 k-NN 25 12 0 19 190 PNN 25 11 0 20 190 SVM 25 9 0 22 190 LDA 25 7 0 24

Tablo 5.6 incelendiğinde, bu test işleminde en başarılı sınıflandırma sonuçlarının LDA yöntemi ile elde edildiği görülmektedir. Toplamda 56 vakanın 49 tanesi başarılı olarak sınıflandırılmıştır. SVM yöntemi ile ise, 56 vakanın 47 tanesi başarılı olarak ayrılmıştır. Yanlış sınıflandırılan örneklerde, GBM olan MRS sinyallerinin, normal MRS sinyali olarak sınıflandırıldığı görülmektedir. Genel olarak bakıldığında bir MRS sinyalindeki tüm noktalara göre yapılan sınıflandırma sonuçlarının çok yüksek olmadığı görülmektedir. Tüm noktalar (190 nokta) için yapılan sınıflandırma işleminde Tablo 5.6'daki sonuçlara göre elde edilen performans ölçümü verileri ise Tablo 5.7'de gösterilmiştir. ACC, SEN, SPE, PDV ve NDV performans kriterleri sonuçları bu tabloda gösterilmektedir.

Tablo 5.7. Normal beyin dokusu ve GBM beyin tümörlerinin ayrımı için MRS sinyalinin tüm noktalarına göre yapılan sınıflandırma sonuçlarının performans karşılaştırmaları

Özellik Sayısı

Performans kriteri

Sınıflandırma yöntemlerinin performans sonuçları

Bayes k-NN PNN SVM LDA 190 ACC 76.79 78.57 80.36 83.93 87.50 190 SEN 100 100 100 100 100 190 SPE 58.06 61.29 64.52 70.92 77.42 190 PDV 65.79 67.57 69.44 73.53 78.13 190 NDV 100 100 100 100 100

İkinci 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 başarım değerlendirmesi yapılmıştır. Bu test işlemi için her bir sınıflandırma metodunda, normal beyin ve GBM için elde edilen eşleştirme matrisi sonuçları Tablo 5.8'de gösterilmektedir.

Tablo 5.8. Normal beyin dokusu ve GBM beyin tümörlerinin ayrımı için MRS sinyalinin önerilen özellik çıkarım metoduna göre yapılan sınıflandırma sonuçları

Özellik sayısı Yöntem ^{Eşleştirme matrisi}

TP FP FN TP 19 Bayes 9 2 16 29 19 ^{k-NN 25 2 0 29} 19 ^{PNN 25 0 0 31} 19 ^{SVM 25 0 0 31} 19 ^{LDA 25 5 0 26}

İkinci test için oluşan Tablo 5.8 incelendiğinde, bu çalışmada önerilen yöntem ile özellik çıkarılıp LDA, PNN, k-NN, Bayes ve SVM sınıflandırma metotları ile sınıflandırıldığında SVM ve PNN metotları ile yüksek doğruluk oranında, 56 vakanın tamamı doğru olarak tahmin edildiği görülmüştür. Birinci test işleminde 56 vakanın 49 tanesini doğru olarak sınıflandıran LDA yöntemi, ikinci test işleminde 56 vakanın 51 tanesini doğru olarak sınıflandırmıştır ve başarım oranı yükselmiştir. Benzer

şekilde k-NN ile yapılan sınıflandırma sonucu, bu test işlemi için bir önceki test işleminde göre önemli derecede yükselerek 56 vakanın 54 tanesini doğru olarak sınıflandırmıştır. Ancak Bayes yöntemi ile birinci teste göre başarı oranının düştüğü gözlemlenmiştir.

Tablo 5.8'deki sınıflandırma sonuçlarına göre elde edilen performans ölçümü verileri ise Tablo 5.9'de gösterilmiştir. ACC, SEN, SPE, PDV ve NDV performans kriterleri sonuçları tablodan detaylı olarak görülebilir.

Tablo 5.9. Normal beyin dokusu ve GBM beyin tümörlerinin ayrımı için MRS sinyalinin önerilen yönteme göre yapılan sınıflandırma sonuçlarının performans karşılaştırmaları

Özellik Sayısı

Performans kriteri

Sınıflandırma yöntemlerinin performans sonuçları

Bayes k-NN PNN SVM LDA 19 ACC 67.86 96.43 100 100 91.07 19 ^{SEN 36.00 100 100 100 100} 19 ^{SPE 93.55 93.55 100 100 83.87} 19 ^{PDV 81.82 92.59 100 100 83.33} 19 ^{NDV 64.44 100 100 100 100}

Normal beyin dokusu ve GBM beyin tümörlerinin birbirinden ayrımı için yapılan bu iki test sonuçları incelendiğinde, bu çalışmada önerilen yöntem ile özellik çıkarılıp, sınıflandırma işlemi yapıldığında çok başarılı sonuçların elde edildiği görülmüştür. Ek olarak, SVM ve PNN sınıflandırma metodu kullanıldığında, tüm vakaların başarılı bir şekilde birbirinden ayrıldığı gözlemlenmiştir.