Geri Dön

Machine learning aided kidney stone classification with electromagnetic properties

Makine öğrenmesi yardımıyla böbrek taşlarının elektromanyetik özelliklerinin sınıflandırılması

PDF İndir

  1. Tez No: 507677
  2. Yazar: BANU SAÇLI
  3. Danışmanlar: DOÇ. DR. MEHMET ÇAYÖREN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2018
  8. Dil: İngilizce
  9. Üniversite: İstanbul Teknik Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Biyomedikal Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: 90

Özet

Mikrodalga frekansında elektromanyetik dalgalar iyonlaşmaya sebep olmadan maddeye nüfus edebildiğinden dolayı medikal alanda güvenle kullanılabileceği düşünülmektedir. Hastalıkların teşhis ve tedavisinde mikrodalga kullanımına yönelik çalışmalar hızlı bir şekilde yürütülmektedir. Dokulara mikrodalga uygulandığında bölgede görülen ısı artışı gibi fizyolojik etkiler, bu etkilerin pozitif yönde kullanılarak bazı hastalıkların tedavisinde kullanılabileceği düşüncesini ortaya çıkarmıştır. Kanser tedavisinde kullanılan mikrodalga hipertermi bu düşüncenin bir ürünüdür. Ayrıca, biyolojik doku ve malzemelerin dielektrik özelliklerinin farklı olması ve özellikle hastalık söz konusu olduğunda bu özelliklerin değişmesi teşhis amaçlı kullanımını mümkün kılmıştır. Bugüne kadar yapılan mikrodalga ile teşhis sistemleri geliştirmeye yönelik çalışmaları basitçe ele alacak olursak, ilgili bölgedeki dokulara mikrodalga gönderilmesi ve bu bölgeden yansıyan dalganın algılanmasıprensibine dayandığını söyleyebiliriz. Görüntülenen bölgedeki dokuların farklıolması, bu dokulardan yansıyan dalganın, dolayısıyla hesaplanan dielektrik özelliklerinin farklıolmasına sebep olur. Çalışmaların birçoğunda, bu farklılıktan faydalanılarak ilgili bölgenin dielektrik ve iletkenlik haritaları oluşturulmaktadır ve bu haritalar teşhis amaçlı kullanılabilmektedir. Ayrıca, literatürdeki bu çalışmalar incelendiğinde özellikle kanser türlerinin teşhisine odaklanıldığı ve başarılı sonuçlar elde edildiği görülmektedir. Bu da kanser dışındaki hastalıkların teşhisine yönelik çalışmalara umut olmuştur. Bu çalışmada da farklı türe ait böbrek taşlarının dielektrik özelliklerindeki farklılıktan faydalanılarak türlerinin belirlenmesinin mümkün olup olmadığı sorusuna cevap aranmıştır. Boşaltım sisteminin vücudun sıvı, pH ve kan basıncıdengesini sağlamasıve zehirli atıkları vücuttan uzaklaştırması gibi hayati önem taşıyan fonksiyonları vardır. Bu nedenle, boşaltım sistemi organlarından birinde herhangi bir problem olduğunda hastanın hayatı oldukça zorlaşmaktadır. Böbrek taşı hastalığı bu problemlerden birisidir ve hastaların yaşam kalitesini oldukça düşürmektedir. Hastalığın Türkiye'de görülme sıklığı %11 iken tekrar etme sıklığı %80'dir. Vücut içindeki böbrek taşları bilgisayarlı tomografi, X-ray, ultrason, manyetik rezonans gibi araçlarla teşhis edilir. Ardından hekim tarafından uygun görülen yöntemlerden biriyle vücuttan uzaklaştırılır. Vücudun böbrek taşınıneden oluşturduğunu anlamak tekrar oluşmamasıiçin alınacak önlemleri belirlemekte oldukça önemlidir. Bu amaçla hastaya kan ve 24-saatlik idrar tahlilleri yapılmaktadır. Ayrıca, çıkarılan böbrek taşının analizi yapılarak çeşidinin belirlenmesi de önemli bir rol oynamaktadır. Bu çalışmayla böbrek taşı türünün belirlenmesinde mevcut metotlara mikrodalga frekansında elektromanyetik dalgalardan faydalanan yeni bir alternatif geliştirmek amaçlanmıştır. İlk olarak üç sınıfa ait 105 adet böbrek taşının açık uçlu koaksiyel sonda ile dielektrik ölçümlerinin yapılabilmesi için hazırlanmıştır. Taş yüzeyleri mümkün olduğunca pürüzsüz hale getirilmiş ve hava boşlugu kalmayacak şekilde probla teması sağlanmıştır. Daha sonra mevcut deney düzeneği ile böbrek taşlarının dielektrik ölçümleri gerçekleştirilmiştir. Deney düzeneği istenilen frekansta sinyal üreten ve yansıyan sinyali algılayan bir ağ analizörü; bu sinyali maddeye, maddeden yansıyan sinyali de ağ analizörüne ileten bir prob, ölçülen S11 parametresinden dielektrik sabiti ve dielektrik kaybını hesaplayan bir yazılım ve bu yazılımın kullanıldığı bir harici bilgisayardan oluşmaktadır. Ağ analizörü, 500 MHz – 6 GHz aralığında 100 MHz aralıklarla sinyal üretecek şekilde hazırlanmış, ve hava, proba özel iletken bir malzeme ve deiyonize su ile kalibrasyonu yapılmıştır. Taşların törpülenme işlemini ve kalibrasyon sürecini tamamladıktan sonra ayarlanan frekansta böbrek taşlarının dielektrik özellik ölçümü yapılmıştır. Ölçümler her bir taş için beş kere tekrar edilerek alınan sonuçların medyanları, taşın dielektrik özellikleri olarak kabul edilmiştir. Böylece ölçüm hataları en aza indirilmeye çalışılmıştır. Sonuç olarak toplam 56 noktada, her bir taşın dielektrik sabiti ve dielektrik kaybı, dolayısıyla kompleks permittivitisi elde edilmiştir. Ardından bu değerler Cole-Cole denkleminde yerine koyularak, her bir taş için 5 bilinmeyeni olan ve 56 adet eşitlikten oluşan bir denklem sistemi elde edilmiştir. Bu 5 bilinmeyen, Cole-Cole parametresi olarak adlandırılan statik dielektrik, yüksek frekanslarda dielektrik, rahatlama frekansı, dağılım değişkeni ve statik elektriksel iletkenliktir. Bu denklem sistemi genelleştirilmiş Newton-Raphson yönteminden faydalanılarak çözülmüştür. Bu öntem denklemin kısmi türevlerinden faydalanarak çözülmesine dayanan iterativ bir nümerik metottur. Bu yöntemle çözüm yapabilmek için önce Cole-Cole parametrelerine başlangıç değerleri atanmış ve daha sonra bu değerler hesaplanan hataya göre iterativ olarak güncellenmiştir. Sonuç olarak her bir taşın Cole-Cole parametresi bulunmuştur. Ayrıca, bulunan bu parametreler yine aynı denklemde yerine koyularak dielektrik sabiti ve dielektrik kaybı hesaplanmıştır. Hesaplanan bu değerler ölçülen değerlerle aynı eksende çizdirildiğinde ölçülen değerlere oldukça iyi oturduğu görülmektedir. Bu sürecin sonunda, 105 taş için beşer adet Cole-Cole parametresi hesaplanmış olmuştur. Her bir taşın Cole-Cole parametreleri hesaplandıktan sonra makine öğrenmesi algoritmaları ile sınıflandırılması yapılmıştır. Cole-Cole parametreleri algoritmaların giriş değerlerini oluştururken, böbrek taşı sınıflarını içeren nümerik bir vektör de çıkış değerlerini oluşturmaktadır. Öncelikle bu giriş ve çıkış değerleri, eğitim süresini kısaltmak amacıyla (-1, 1) aralığında normalize edilmiştir. Normalizasyon sonrasında, böbrek taşları k-sayısı kadar çapraz doğrulama yöntemiyle eğitim ve test kümelerine ayrılmıştır. Bu çalışmada k sayısı 5 olarak seçilmiştir. Makine öğrenmesi algoritması olarak ilk önce bir gizli katmandan oluşan üç katmanlı bir yapay sinir ağı tasarlanmıştır. 5 adet giriş ve 1 adet çıkış olduğundan dolayı giriş ve çıkış katmanlarındaki nöron sayısı sırasıyla beş ve bir olarak ayarlanmıştır. Gizli katmandaki nöron sayısı ise on beş olarak seçilmiştir. Gizli katmanın aktivasyon fonksiyonu sigmoid fonksiyon olarak belirlenirken, çıkış katmanında lineer fonksiyon tercih edilmiştir. Ağ yapısı oluşturulduktan sonra, eğitim kümesindeki verilerle dereceli azalan fonksiyon kullanılarak ağın eğitimi tamamlanmıştır. Daha sonra test kümesindeki verilerin sınıfları tahmin edilerek ağın performans ölçütleri hesaplanmıştır. Kullanılan diğer bir makine öğrenmesi algoritması ise k-en yakın komşuluk algoritmasıdır. Bu non-parametrik algoritma, test kümesindeki verilerin her birine en yakın k sayıda eğitim verisinin sonucuna bakılarak test verilerinin sonuçlarının belirlenmesi mantığına dayanır. Bu çalışmada da test amaçlı kullanılan taşların sınıfı, kendilerine en yakın 5 adet eğitim amaçlı kullanılan taşın sınıfına göre belirlenmiştir. Uzaklık ölçütü olarak öklit bağıntısı kullanılmıştır. Test kümesindeki tüm taşların sınıfı tahmin edildikten sonra bu algoritma için de performans ölçütleri ayrıca hesaplanmıştır. Makine öğrenmesi algoritmalarının başarısını hesaplamakta kullanılan başlıca performans ölçütleri doğruluk, duyarlılık, belirleyicilik, kesinlik ve F-ölçütüdür. Bu ölçütleri belirlemek için karışıklık matrisinden faydalanılır. Bu matrisin elemanları sırasıyla gerçek pozitif, sahte pozitif, sahte negatif ve gerçek negatiftir. Her iki algoritmanın sınıflandırma sonuçlarına göre karışıklık matrisleri oluşturulmuş ve performans ölçütleri hesaplanmıştır. Sonuç olarak yapay sinir ağı algoritması için tüm performans ölçütlerinin %97'nin üzerinde olduğu görülmüştür. Aynı performans ölçütleri, k en yakın komşuluk algoritması için %99'un üzerindedir.

Özet (Çeviri)

Electromagnetic waves with microwave frequencies have been widely used in medical field for diagnostic and therapeutic purposes. The reasons why microwaves have been preferred are mainly its non-ionizing nature and its ability to penetrate matter. Physiological effect on biological tissues also enables to use for treatment of diseases. Moreover, the difference in electromagnetic properties of distinct biological material enables diagnostic usage. In this study, the determination of kidney stone types was aimed by making use of the dielectric discrepancy between stone types. It is known from statical information that the recurrence rate of kidney stone disease is very high. For this reason, it is important to learn why the body forms kidney stones in order to determine necessary precautions to prevent recurrence. The tools utilized for determination of the reasons for stone formation are blood test, urine test and tools used for urinary stone analysis. To this end, this study focused on development of an innovative method for urinary stone analysis. When dielectric property measurements of three common types of kidney stone were carried out, it is realized that it is possible to distinguish kidney stones with machine learning algorithms and the help of these features. Dielectric constant and dielectric loss values of each stone were measured over the frequency range of 500 MHz – 6 GHz with 100 MHz intervals. Then, Cole-Cole parameters of each stone were calculated with generalized Newton-Raphson method from measured dielectric constant and dielectric loss values instead of directly use of them. Thus, the input size of machine learning algorithm was reduced with successful Cole-Cole fitting. After dielectric property measurement and Cole-Cole fitting, classification of the stones were completed with an artificial neural network and k-nearest neighborhood algorithm. Obtained classification of two algorithm were evaluated with some performance measures which are accuracy, sensitivity, specificity, precision, recall and F1 score. It can obviously be seen from these measures that both of two classifier are quite successful in determination of kidney stone types.

Benzer Tezler

  1. Tez No

    811322

    Ağaç tabanlı makine öğrenmesi yöntemleri ile genomik verilerin sınıflandırılmasına yönelik klinik karar destek sisteminin geliştirilmesi

    Development of a clinical decision support system for classification of genomic data with TREE-based machine learning methods

    İPEK BALIKÇI ÇİÇEK

    Doktora

    Türkçe

    Türkçe

    2023

    Biyoistatistikİnönü Üniversitesi

    Biyoistatistik ve Tıp Bilişimi Ana Bilim Dalı

    PROF. DR. SAİM YOLOĞLU

  2. Tez No

    718626

    Radiomics analysis of 3D computed tomography images for predicting the ISUP grade of clear cell renal cell carcinoma tumors

    Berrak hücreli böbrek hücre karsinoma tümörlerinin ISUP derecesini öngörmek için 3B bilgisayarlı tomografi görüntülerinin radiomics analizi

    AHMET KARAGÖZ

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBoğaziçi Üniversitesi

    Biyomedikal Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ALBERT GÜVENİŞ

  3. Tez No

    812729

    Automated diagnostic tool for hypertension using deep learning model

    Derin öğrenme modelini kullanarak hipertansiyon için otomatik teşhis aracı

    TUĞBA YILMAZ

    Yüksek Lisans

    İngilizce

    İngilizce

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAnkara Yıldırım Beyazıt Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. BAHA ŞEN

  4. Tez No

    737548

    İdrar yolu enfeksiyonu geçiren çocuklarda başvuru şikayetlerinin yapay zeka verisi olma yeterliliğinin değerlendirilmesi

    Evaluation of the sufficiency of presenting complaints to be artificial intelligence data in children with urinary tract infection

    ZEHRA BURCU YILMAZ

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2022

    Çocuk Sağlığı ve HastalıklarıSağlık Bilimleri Üniversitesi

    Çocuk Sağlığı ve Hastalıkları Ana Bilim Dalı

    PROF. DR. NİDA DİNÇEL

  5. Tez No

    781828

    Yapay zekada veri madenciliği yöntemi kullanarak biyoinformatik yazılım geliştirilmesi : Sitrülin ile bir uygulama

    Development of bioinformatics software using data mining method in artificial intelligence: An application with citrulline

    AYŞE AKGÜL IŞIK

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    BiyoistatistikBiruni Üniversitesi

    Biyoistatistik Ana Bilim Dalı

    PROF. DR. MEMET YUSUF ÇELİK

Geri Dön