Research Article
BibTex RIS Cite

MR Spektroskopi Temelli Beyin Tümörü Teşhisinde Lojistik Regresyon Uygulaması

Year 2019, , 10 - 18, 05.04.2019
https://doi.org/10.17780/ksujes.483214

Abstract

Beyin tümörü
teşhisinin, birçok hastalık teşhisinde olduğu gibi farklı yöntemler
kullanılarak doğrulanması gerekmektedir. Çünkü yanlış teşhis doğrudan insan
hayatını etkilemektedir. MR Spektroskopi ilk başta laboratuvar çalışmalarında
kullanılmıştır. Daha sonra MR Spektroskopinin su ve yağ haricindeki
metobolitleri ölçebildiği keşfedilmiştir. Bu keşifle beraber,  MR Spektroskopi beyin tümörü teşhisinde doğrulayıcı
bir yöntem olarak kullanılmaya başlanmıştır. MR Spektroskopi ile kolin, kreatin
ve N-Asetil Aspartat metobolit değerleri ölçülür. Bu değerlerin doğru
yorumlanması ciddi bir uzmanlık gerektirir. Yapılacak bir uzman karar destek
sistemi hızlı ve doğru teşhis açısından önemlidir. Çalışma MRS temelli beyin
tümörü teşhisi için yapılabilecek uzman karar destek sisteminin temeli olan
sınıflandırma yöntemlerinin başarımlarının karşılaştırmasını içermektedir.
Lojistik Regresyon yöntemi ve Naive Bayes yöntemi WEKA programında çalışılmıştır.
Naive Bayes’ de % 87 başarım, Lojistik regresyonda % 90 başarım elde
edilmiştir. ROC değerleri ise Naive Bayes için 0,912, Lojistik Regresyon için
0,977 olarak hesaplanmıştır. % 87 sınıflandırma ve 0,912 ROC hesaplaması yüksek
bir başarıdır, ancak Lojistik Regresyon daha iyi sınıflandırma ve ROC alan
hesaplaması yapmıştır. Bu da MRS temelli beyin tümörü teşhisinde uzman karar
destek sistemi oluşturmak için Lojistik Regresyonun, Naive Bayes yöntemine göre
daha uyumlu olabileceğini göstermektedir.

References

  • Esen, S.Ö., Bozkurt, M., Adıbelli, H.Z., Aykut, E., Canverenler, S. 2014. “Proton MR Spektroskopinin Beyin Tümörlerinde Tanısal Değeri.” ITÜ Tepecik Eğit Hast Derg 2014; 24 (2): 93-98.sKaratağ, O. 2005. “İntrakranyal Yer Kaplayıcı Lezyonların Ayırıcı Tanısında MR Spektroskopinin Yeri”. Sağlık Bakanlığı Şişli Etfal Eğitim ve Araştırma Hastanesi. Radyoloji Uzmanlık Tezi, İstanbul, 50s.Cüce, A.M. 2005. “Beyin Kitlelerinin Tanısında MR Spektroskopinin Yeri İle Kısa ve Uzun TE MR Spektroskopinin Karşılaştırılması”. G.Ü. Uzmanlık Tezi, İstanbul, 98s.Shokry, A. 2012. “MRS of brain tumors: Diagrammatic representations and diagnostic approach” The Egyptian Journal of Radiology and Nuclear Medicine (2012) 43, 603–612.sGöker, H.,Şahin. İ., Tekedere. H. 2015. “ Erken Çocukluk Döneminde Otizm Teşhisine Yönelik Dinamik Uzman Sistem Tasarımı” Bilişim Teknolojileri Dergisi, Cilt: 8, Sayı: 3, 167–172.sHaltaş, A., Alkan, A. İmmunohistokimyasal Boyalar ile Tiroid Tümörü Teşhisinde Naive Bayes Algoritması Kullanılması, Akademik Bilişim 2016 Sempozyumu(ab’2014) 5-7 Şubat, 2014, Mersin, Mersin-Türkiye), s. 931-935Lukasa, A. Devosa, J.A.K. Suykensa, L. Vanhammea, F.A. Howeb, C. Majo´sc, A. Moreno-Torresd, M. Van Der Graafe, A.R. Tateb, C. Aru´sf, S. Van Huffela. 2004. “Brain tumor classification based on long echo proton MRS signals” Artificial Intelligence in Medicine (2004) 31, 73—89s.Nagori, M. Joshi, M. 2013. “Methods and Algorithms for Extracting Values from MRS Graph for Brain Tumour Detection” IERI Procedia 4 ( 2013 ) 331 – 336s.Carlos A., Daniel A., S., Alfredo V., Enrique R. 2014. “Automated classification of brain tumours from short echo time in vivo MRS data using Gaussian Decomposition and Bayesian Neural Networks” Expert Systems with Applications 41 (2014) 5296–5307s.Alkan, A., Günay, M., “Identification of EMG signals using discriminant analysis and SVM classifier”, Expert Systems with Applications 39, (2012) 44–47.Solmaz, R., Günay, M., Alkan, A., “Uzman Sistemlerin Tiroit Teşhisinde Kullanılması”, Akademik Bilişim 2013 Sempozyumu(ab’2013), 23-25 Ocak 2013, Antalya, Türkiye.Kaya, Y., Pehlivan, H., “ KNN, NN, BAYES, DT ve SVM Kullanılarak EKG Vurularının Sınıflandırılması”, ISITES 2014 Sempozyumu(ISITES’2014), 18-20 June 2014, Karabük, Türkiye.Arora, R., Suman. 2012. “Comparative Analysis of Classification Algorithms on Different Datasets using WEKA” International Journal of Computer Applications (0975 – 8887) Volume 54– No.13, September 2012, 21-25s.Yücebaş, C., S.,“ Prostat Kanseri Teşhisinde Veri Madenciliği Yöntemlerinin Başırım Karşılaştırması”, Akademik Bilişim 2016 Sempozyumu(ab’2016), 30 Ocak-5 Şubat 2016, Aydın, TürkiyeAlkuşak, E., Gök, M., “Karaciğer Yetmezliğinin Teşhisinde Makine Öğrenmesi Algoritmalarının Kullanımı”, ISITES 2014 Sempozyumu(ISITES’2014), 18-20 June 2014, Karabük, Türkiye.Kavzoğlu, T., Çölkesen, İ. 2010. “Destek Vektör Makineleri ile Uydu Görüntülerinin Sınıflandırılmasında Kernel Fonksiyonlarının Etkilerinin İncelenmesi” Harita Dergisi Temmuz 2010 Sayı 144: 73-82.sTomak, L., Bek, Y. 2010. “İşlem karakteristik eğrisi analizi ve eğri altında kalan alanların karşılaştırılması” Journal of Experimental and Clinical Medicine 27 (2010) 58-65.sDirican A. “Tanı Testi Performanslarının Değerlendirilmesi ve Kıyaslanması” Cerrahpaşa Tıp Dergisi. 2001; 32 (1): 25-30.Acikgoz, H., Kececioglu, O.F., Gani, A., Sekkeli, M. (2014). Speed Control of Direct Torque Controlled Induction Motor By using PI, Anti-Windup PI And Fuzzy Logic Controller, International Journal of Intelligent Systems and Applications in Engineering, 2, 58-63.Sarıoğlu, M.K., Gökaşan, M., Boğosyan, S. (2003). Asenkron makinalar ve kontrolü, Birsen Yayınevi, İstanbul.Trzynadlowski, A.M., (2000). Control of Induction Motors. Academic press, USA.Zhang, M.G., Li, W.H., Liu, M.Q. (2005). Adaptive PID control strategy based on RBF neural network identification, IEEE International Conference on Neural Networks and Brain, 1854-1857.Şeker E. Ş. Bilgisayar Kavramları. http://bilgisayarkavramlari.sadievrenseker.com (2017)Girginer,G., Cankuş, B. “Tramvay Yolcu Memnuniyetinin Lojistik Regresyon Analiziyle Ölçülmesi: Estram Örneği” YÖNETİM VE EKONOMİ Yıl:2008 Cilt:15 Sayı:1 Celal Bayar Üniversitesi İ.İ.B.F. MANİSA.Alan, M.A. 2014. “ Sivas Erzincan Kalkınma Projesi (SEKP) Verilerinin Veri Madenciliği ile Sınıflandırılması ve Kümelenmesi” Manas Sosyal Araştırmalar Dergisi 2014; Cilt: 03 Sayı: 10 2014: 129-144.sİşler, Y., Narin, A. 2012. “ WEKA Yazılımında k-Ortalama Algoritması Kullanılarak Konjestif Kalp Yetmezliği Hastalarının Teşhisi” SDU Teknik Bilimler Dergisi 2012; Cilt: 2 Sayı: 4 2012: 21-29.s Şirin E. Bilgisayar Kavramları. http://www.datascience.istanbul (2018).
Year 2019, , 10 - 18, 05.04.2019
https://doi.org/10.17780/ksujes.483214

Abstract

References

  • Esen, S.Ö., Bozkurt, M., Adıbelli, H.Z., Aykut, E., Canverenler, S. 2014. “Proton MR Spektroskopinin Beyin Tümörlerinde Tanısal Değeri.” ITÜ Tepecik Eğit Hast Derg 2014; 24 (2): 93-98.sKaratağ, O. 2005. “İntrakranyal Yer Kaplayıcı Lezyonların Ayırıcı Tanısında MR Spektroskopinin Yeri”. Sağlık Bakanlığı Şişli Etfal Eğitim ve Araştırma Hastanesi. Radyoloji Uzmanlık Tezi, İstanbul, 50s.Cüce, A.M. 2005. “Beyin Kitlelerinin Tanısında MR Spektroskopinin Yeri İle Kısa ve Uzun TE MR Spektroskopinin Karşılaştırılması”. G.Ü. Uzmanlık Tezi, İstanbul, 98s.Shokry, A. 2012. “MRS of brain tumors: Diagrammatic representations and diagnostic approach” The Egyptian Journal of Radiology and Nuclear Medicine (2012) 43, 603–612.sGöker, H.,Şahin. İ., Tekedere. H. 2015. “ Erken Çocukluk Döneminde Otizm Teşhisine Yönelik Dinamik Uzman Sistem Tasarımı” Bilişim Teknolojileri Dergisi, Cilt: 8, Sayı: 3, 167–172.sHaltaş, A., Alkan, A. İmmunohistokimyasal Boyalar ile Tiroid Tümörü Teşhisinde Naive Bayes Algoritması Kullanılması, Akademik Bilişim 2016 Sempozyumu(ab’2014) 5-7 Şubat, 2014, Mersin, Mersin-Türkiye), s. 931-935Lukasa, A. Devosa, J.A.K. Suykensa, L. Vanhammea, F.A. Howeb, C. Majo´sc, A. Moreno-Torresd, M. Van Der Graafe, A.R. Tateb, C. Aru´sf, S. Van Huffela. 2004. “Brain tumor classification based on long echo proton MRS signals” Artificial Intelligence in Medicine (2004) 31, 73—89s.Nagori, M. Joshi, M. 2013. “Methods and Algorithms for Extracting Values from MRS Graph for Brain Tumour Detection” IERI Procedia 4 ( 2013 ) 331 – 336s.Carlos A., Daniel A., S., Alfredo V., Enrique R. 2014. “Automated classification of brain tumours from short echo time in vivo MRS data using Gaussian Decomposition and Bayesian Neural Networks” Expert Systems with Applications 41 (2014) 5296–5307s.Alkan, A., Günay, M., “Identification of EMG signals using discriminant analysis and SVM classifier”, Expert Systems with Applications 39, (2012) 44–47.Solmaz, R., Günay, M., Alkan, A., “Uzman Sistemlerin Tiroit Teşhisinde Kullanılması”, Akademik Bilişim 2013 Sempozyumu(ab’2013), 23-25 Ocak 2013, Antalya, Türkiye.Kaya, Y., Pehlivan, H., “ KNN, NN, BAYES, DT ve SVM Kullanılarak EKG Vurularının Sınıflandırılması”, ISITES 2014 Sempozyumu(ISITES’2014), 18-20 June 2014, Karabük, Türkiye.Arora, R., Suman. 2012. “Comparative Analysis of Classification Algorithms on Different Datasets using WEKA” International Journal of Computer Applications (0975 – 8887) Volume 54– No.13, September 2012, 21-25s.Yücebaş, C., S.,“ Prostat Kanseri Teşhisinde Veri Madenciliği Yöntemlerinin Başırım Karşılaştırması”, Akademik Bilişim 2016 Sempozyumu(ab’2016), 30 Ocak-5 Şubat 2016, Aydın, TürkiyeAlkuşak, E., Gök, M., “Karaciğer Yetmezliğinin Teşhisinde Makine Öğrenmesi Algoritmalarının Kullanımı”, ISITES 2014 Sempozyumu(ISITES’2014), 18-20 June 2014, Karabük, Türkiye.Kavzoğlu, T., Çölkesen, İ. 2010. “Destek Vektör Makineleri ile Uydu Görüntülerinin Sınıflandırılmasında Kernel Fonksiyonlarının Etkilerinin İncelenmesi” Harita Dergisi Temmuz 2010 Sayı 144: 73-82.sTomak, L., Bek, Y. 2010. “İşlem karakteristik eğrisi analizi ve eğri altında kalan alanların karşılaştırılması” Journal of Experimental and Clinical Medicine 27 (2010) 58-65.sDirican A. “Tanı Testi Performanslarının Değerlendirilmesi ve Kıyaslanması” Cerrahpaşa Tıp Dergisi. 2001; 32 (1): 25-30.Acikgoz, H., Kececioglu, O.F., Gani, A., Sekkeli, M. (2014). Speed Control of Direct Torque Controlled Induction Motor By using PI, Anti-Windup PI And Fuzzy Logic Controller, International Journal of Intelligent Systems and Applications in Engineering, 2, 58-63.Sarıoğlu, M.K., Gökaşan, M., Boğosyan, S. (2003). Asenkron makinalar ve kontrolü, Birsen Yayınevi, İstanbul.Trzynadlowski, A.M., (2000). Control of Induction Motors. Academic press, USA.Zhang, M.G., Li, W.H., Liu, M.Q. (2005). Adaptive PID control strategy based on RBF neural network identification, IEEE International Conference on Neural Networks and Brain, 1854-1857.Şeker E. Ş. Bilgisayar Kavramları. http://bilgisayarkavramlari.sadievrenseker.com (2017)Girginer,G., Cankuş, B. “Tramvay Yolcu Memnuniyetinin Lojistik Regresyon Analiziyle Ölçülmesi: Estram Örneği” YÖNETİM VE EKONOMİ Yıl:2008 Cilt:15 Sayı:1 Celal Bayar Üniversitesi İ.İ.B.F. MANİSA.Alan, M.A. 2014. “ Sivas Erzincan Kalkınma Projesi (SEKP) Verilerinin Veri Madenciliği ile Sınıflandırılması ve Kümelenmesi” Manas Sosyal Araştırmalar Dergisi 2014; Cilt: 03 Sayı: 10 2014: 129-144.sİşler, Y., Narin, A. 2012. “ WEKA Yazılımında k-Ortalama Algoritması Kullanılarak Konjestif Kalp Yetmezliği Hastalarının Teşhisi” SDU Teknik Bilimler Dergisi 2012; Cilt: 2 Sayı: 4 2012: 21-29.s Şirin E. Bilgisayar Kavramları. http://www.datascience.istanbul (2018).
There are 1 citations in total.

Details

Primary Language Turkish
Subjects Computer Software
Journal Section Electrical and Electronics Engineering
Authors

Sinan Altun 0000-0003-0857-0764

Ahmet Alkan 0000-0003-0857-0764

Publication Date April 5, 2019
Submission Date November 15, 2018
Published in Issue Year 2019

Cite

APA Altun, S., & Alkan, A. (2019). MR Spektroskopi Temelli Beyin Tümörü Teşhisinde Lojistik Regresyon Uygulaması. Kahramanmaraş Sütçü İmam Üniversitesi Mühendislik Bilimleri Dergisi, 22(1), 10-18. https://doi.org/10.17780/ksujes.483214