Geri Dön

Meme tümörünün erken teşhisine yönelik titreşim tabanlı sistem tasarımı

Vibration-based system design for early detection of breast tumors

  1. Tez No: 875231
  2. Yazar: MEHMET ÜMİT AK
  3. Danışmanlar: PROF. DR. SÜLEYMAN BİLGİN
  4. Tez Türü: Doktora
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: Türkçe
  9. Üniversite: Akdeniz Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Elektrik Elektronik Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: 111

Özet

Meme tümörleri, Dünya Sağlık Örgütü (WHO) verilerine göre dünyada kadınlar arasında en sık görülen hastalıklardan biri olarak kabul edilmektedir. Bu hastalığın erken teşhisi sayesinde ise 99%'luk hayatta kalma oranı elde edilmekte ve bu da ilgili vakaların yaklaşık 64%'ünü oluşturmaktadır. Buradan hareketle meme tümörünün erken teşhisine yönelik olarak gerçekleştirilen bu çalışmada, ilk olarak mikrodenetleyici tabanlı titreşim ölçer cihazı tasarımı gerçekleştirilmiştir. Bu cihaz ile laboratuvar ortamında sağlıklı ve tümörlü olarak oluşturulan fantom meme modelleri üzerine sabit frekanslı titreşim uyartımı uygulanmış ve MEMs yapıdaki ADXL345 ivme ölçer sensörü ile belirli mesafelerdeki titreşim sinyalleri ölçülmüştür. Elde edilen titreşim sinyalleriyle oluşturulan veri setinin analizi öncesinde, ilgili meme fantom modellerinin tüm noktalarında aynı etkiyi gösteren ve en iyi analizin yapılacağı frekans değeri olan rezonans frekansı, sonlu elemanlar modeli (FEM) kullanılarak, Comsol programı yardımıyla 164 Hz. çevresinde tespit edilmiştir. Böylece meme fantom modellerine uygulanan 100-200 Hz. aralığındaki sabit frekanslı titreşim uyartımlarından 160 Hz.'e odaklanılmış ve rezonans frekansı çevresinden elde edilen titreşim sinyallerinin analizi gerçekleştirilmiştir.Veri setindeki titreşim sinyallerinin analiz aşamasında, öncelikle ön işleme aşamasında, titreşim sinyallerindeki düşük frekansları kaybetmemek, aynı zamanda da DC bileşenleri filtrelemek amacıyla 5 Hz. yüksek geçiren IIR filtre kullanılmıştır. Ön işlemenin ardından, titreşim sinyallerinin analiz edilmesi ve kritik özelliklerin çıkarılması aşamasında ise öncelikle ilgili sinyallerin zaman alanı analizleri istatistiksel yöntemler olan RMS, standart sapma, skewness, kurtosis, medyan frekans yöntemleriyle gerçekleştirilmiştir. Bu yöntemlerle elde edilen değerler incelendiğinde filtrelenmemiş sinyallerin RMS değerlerinin sağlıklı-tümörlü dokuları ayırt etmede öne çıktığı görülmüştür. Ayrıca filtrelenmiş sinyallerin medyan analiz değerleriyle sağlıklı ve tümörlü ayrımının net bir şekilde yapılabileceği görülmüştür. Zaman alanı analizlerinin ardından frekans alanı analizleri, Hızlı Fourier Dönüşümü (HFD), welch, dalgacık paket dönüşümü, Hilbert Huang dönüşümü (HHD) ve Ampirik Kip Ayrıştırması (AKA) yöntemleriyle gerçekleştirilmiştir. HFD yöntemiyle gerçekleştirilen analizlerde, sağlıklı modellerden elde edilen titreşim sinyallerinin pik frekans değerlerinin, tümörlü modellerden elde edilen titreşim sinyallerinin pik frekans değerlerine göre daha düşük olduğu gözlemlenmiştir. Bu değerler ayrıca maksimum frekans analizleriyle desteklenmiştir. Welch yöntemiyle gerçekleştirilen analizlerde sağlıklı modellerden elde edilen titreşim sinyallerinin pik frekans değerlerinin, tümörlü modellerden elde edilen titreşim sinyallerinin pik frekans değerlerine göre daha düşük olduğu gözlemlenmiştir. Çalışmanın frekans alanı analizlerinde, kullanılan diğer bir yöntem olan Dalgacık Paket Dönüşümü (DPD) ile, titreşim sinyallerinin 3, 4 ve 5. seviyelerdeki dalgacık paketleri incelenmiştir. Buna göre, sağlıklı fantom modeller üzerinden alınan titreşim sinyallerinin, 3. seviyede açılmış olan dalgacık paketlerinde elde edilen sinyal değerleri incelendiğinde, filtrelenmiş olan titreşim sinyallerinin 3. seviye 1. pakette (𝑊3,1) yani 62,5-125 Hz. frekans aralığında yoğunlaştığı, tümörlü fantom modeller üzerinden alınan titreşim sinyallerinin ise 3.seviye 2.pakette (𝑊3,2) yani 125-187,5 Hz. frekans aralığında yoğunlaştığı görülmüştür. DPD'nin 4. seviyede açılmış olan dalgacık paketlerinde elde edilen sinyal değerleri incelendiğinde, filtrelenmiş olan titreşim sinyallerinin 4. seviye 4. pakette (𝑊4,4) yani 125-156,25 Hz. frekans aralığında yoğunlaştığı, tümörlü fantom modeller üzerinden alınan titreşim sinyallerinin ise sırasıyla 4. Seviye 7. Paket (𝑊4,7) ve 4. Seviye 6. Paket (𝑊4,6), sırasıyla 218,75-250 Hz. ve 187,5-218,75 Hz. frekans aralıklarında yoğunlaştığı görülmektedir. 5. Seviyesi DPD analizlerinde, sağlıklı fantom modeller üzerinden alınan filtrelenmiş titreşim sinyallerinin, 5. Seviye 11. Pakette (𝑊5,11) yani 171,875-187,5 Hz. frekans aralığında yoğunlaştığı, tümörlü fantom modeller üzerinden alınan titreşim sinyallerinin ise 5. Seviye 15. Paket (𝑊5,15) yani 234,75-250 Hz. frekans aralıklarında yoğunlaştığı gözlemlenmiştir. Buna sonuçlar DPD'nin sağlıklı ve tümörlü dokuların frekans karakteristikleri hakkında açık bir ayırt edici özelliğe sahip olduğunu göstermektedir. Gerçekleştirilen doktora tez çalışmasının frekans alanı analizlerinde ayrıca Hilbert Huang Dönüşümü (HHD) kullanılmıştır. Sağlıklı ve tümörlü meme fantom modelleri üzerinden alınan titreşim sinyallerinin HHD ile elde edilen frekans alanı analizinde, sağlıklı dokulara ait frekans-genlik grafiklerinde, frekans değerlerinin yoğunlaştığı bölge ile tümörlü dokulara ait frekans-genlik grafiklerindeki frekans değerlerinin yoğunlaştığı değerler arasında farklılık gözlemlenmiştir. Ayrıca bu analizin devamında İçsel Mod Fonksiyonları (İMF), 10 seviyede ayrıştırılmış ve titreşim sinyallerinin 10 seviyede gerçekleştirilen AKA analizlerinin, sağlıklı ve tümörlü dokuların ayrımında etkili olmadığı görülmüştür. Çalışmanın zaman ve frekans alanı analizlerinden elde edilen değerler ile özellik vektörleri oluşturularak ve bu özellik değerleri sınıflandırma algoritmalarının girdileri olarak kullanılmıştır. Sağlıklı ve tümörlü fantom modellerden elde edilen titreşim sinyalleri için en ayırıcı özelliklerin belirlenmesi amacıyla Ki-Kare ve F-Skor yöntemleri kullanılmıştır. DPD'nin 3, 4 ve 5. Seviyesi ve AKA'nın 10 seviyede ayrıştırılmasıyla, 3 adet farklı özellik vektörü, bu yöntemlerle analiz edilerek en ayırıcı özellikler belirlenmiştir. Buna göre, her iki testte de en ayırt edici özelliğin; filtrelenmiş sinyallerin 𝑊3,1 paketi olan 62,5-125 Hz. frekans aralığında, 𝑊4,4 paketi olan 125-156,25 Hz. frekans aralığında, 𝑊5,11 paketi olan 171,875-187,5 Hz. frekans aralığında elde edildiği belirlenmiştir.Son olarak en ayırt edici özellikler, Adaboost, MLPNN, DVM, KNN ve LR sınıflandırma algoritmalarının girdileri olarak kullanılmış ve sağlıklı-tümörlü fantom model ayrımını gerçekleştirecek en başarılı yöntemler değerlendirilmiştir. Buna göre sağlıklı ve tümörlü dokuların ayrımında en yüksek doğruluk oranı 86,33% ile filtrelenmiş sinyallerin dalgacık paket dönüşümüyle 3. Seviyede elde edilen özelliklerin olduğu ve bu özelliklerin 3. Seviye DPD ile elde edilen özellik vektöründeki 24 ile 32 aralığındaki özellik numarasına ait değerler olduğu ve Adaboost sınıflandırma algoritmasıyla elde edildiği belirlenmiştir. Ayrıca, en yüksek başarı oranlarının tespit edildiği sınıflandırma algoritmalarının 82,66% doğruluk oranıyla Adaboost, 82,33% doğruluk oranıyla MLPNN, 80,66% doğruluk oranıyla Lojistik Regresyon olduğu tespit edilmiştir.

Özet (Çeviri)

According to the World Health Organisation (WHO), breast tumours are one of the most common diseases among women worldwide. Thanks to the early diagnosis of this disease, a 99% survival rate is achieved, which constitutes approximately 64% of the related cases. Therefore, in this study, a microcontroller-based vibration meter device has been designed for early diagnosis of breast tumour. With this device, constant frequency vibration excitation was applied on healthy and tumorous phantom breast models in the laboratory environment and vibration signals at certain distances were measured with the ADXL345 accelerometer sensor in MEMs. Before the analysis of the data set formed by the vibration signals obtained, the resonance frequency, which has the same effect at all points of the relevant breast phantom models and which is the frequency value at which the best analysis can be performed, was determined around 164 Hz. using the COMSOL program using the finite element model (FEM). Thus, 160 Hz. of the fixed frequency vibration excitations in the range of 100-200 Hz. applied to the breast phantom models was focused on and the vibration signals obtained around the resonance frequency were analysed. In the analysis phase of the vibration signals in the data set, firstly in the preprocessing phase, a 5 Hz. high-pass IIR filter was used in order not to lose the low frequencies in the vibration signals and at the same time to filter the DC components. After pre-processing, in the stage of analysing the vibration signals and extracting critical features, time domain analyses of the related signals were performed by statistical methods such as RMS, standard deviation, skewness, kurtosis, median frequency methods. When the values obtained by these methods were analysed, it was observed that the RMS values of the unfiltered signals were prominent in distinguishing between healthy and tumour tissues. In addition, the median analysis values of the filtered signals showed that the distinction between healthy and tumorous can be made clearly. Following the time domain analyses, frequency domain analyses were performed with Fast Fourier Transform (FFT), Welch, Wavelet Packet Transform(WPT), Hilbert Huang Transform (HHT) and Empirical Mode Decomposition (EMD) methods. In the analyses performed with the FFT method, it was observed that the peak frequency values of the vibration signals obtained from healthy models were lower than the peak frequency values of the vibration signals obtained from tumour models. These values were also supported by maximum frequency analyses. In the analyses performed with the Welch method, it was observed that the peak frequency values of the vibration signals obtained from healthy models were lower than the peak frequency values of the vibration signals obtained from tumour models. Wavelet Packet Transform (WPT),another method used in the frequency domain analyses of the study, was used to examine the wavelet packets of the vibration signals at levels 3, 4 and 5. Accordingly, when the signal values obtained from the wavelet packets of the vibration signals obtained from healthy phantom models at level 3 were examined, it was observed that the filtered vibration signals were concentrated in the frequency range of 62,5-125 Hz.at level 3 packet 1 (𝑊3,1), while the vibration signals obtained from tumoured phantom models were concentrated in the frequency range of 125-187,5 Hz. at level 3 packet 2 (𝑊3,2). When the signal values obtained in the wavelet packets of the WPT at level 4 are examined, it is seen that the filtered vibration signals are concentrated in the 4th level 4th packet (𝑊4,4), 125-156,25 Hz. frequency range, while the vibration signals obtained from the tumoured phantom models are concentrated in the 4th level 7th packet (𝑊4,7) and 4th level 6th packet (𝑊4,6), 218,75-250 Hz. and 187,5-218,75 Hz. frequency ranges respectively. In Level 5 WPT analyses, it was observed that the filtered vibration signals from healthy phantom models were concentrated in the frequency range of 171,875-187,5 Hz. at Level 5 Pack 11 (𝑊5,11), while the vibration signals from tumoured phantom models were concentrated in the frequency range of 234,75-250 Hz. at Level 5 Pack 15 (𝑊5,15). The results show that WPT has a clear discriminating feature about the frequency characteristics of healthy and tumorous tissues. Hilbert Huang Transform (HHT) was also used in the frequency domain analyses of the doctoral thesis study. In the frequency domain analysis of the vibration signals obtained from healthy and tumorous breast phantom models with HHT, a difference was observed between the region where the frequency values are concentrated in the frequency-amplitude graphs of healthy tissues and the values where the frequency values are concentrated in the frequency-amplitude graphs of tumorous tissues. In addition, the Internal Mode Functions (IMF) were decomposed at 10 levels, and it was observed that the EMD analysis of the vibration signals at 10 levels was not effective in distinguishing between healthy and tumorous tissues. Feature vectors were created with the values obtained from the time and frequency domain analyses of the study and these feature values were used as inputs to the classification algorithms. Chi-Square and F-Score methods were used to determine the most discriminative features for the vibration signals obtained from healthy and tumour phantom models. By decomposing the WPT at levels 3, 4 and 5 and the EMD at 10 levels, 3 different feature vectors were analysed with these methods and the most discriminative features were determined. Accordingly, in both tests, the most discriminative features were obtained in the frequency range of 62,5-125 Hz. with 𝑊3,1 packet, in the frequency range of 125-156,25 Hz. with 𝑊4,4 packet, and in the frequency range of 171,875-187,5 Hz. with 𝑊5,11 packet. Finally, the most discriminative features were used as the inputs of Adaboost, MLPNN, SVM, KNN and LR classification algorithms and the most successful methods to perform healthy-tumour phantom model discrimination were evaluated. Accordingly, it was determined that the highest accuracy rate in the discrimination of healthy and tumorous tissues was 86.33% with the features obtained at Level 3 by wavelet packet transform of the filtered signals and these features were the values belonging to the feature numbers between 24 and 32 in the feature vector obtained by Level 3 WPT and obtained by the Adaboost classification algorithm. In addition, it was determined that the classification algorithms with the highest success rates were Adaboost with 82.66% accuracy rate, MLPNN with 82.33% accuracy rate and Logistic Regression with 80.66% accuracy rate.

Benzer Tezler

  1. Tez No

    599452

    ITO temelli tek kullanımlık malzemelerin biyosensör teknolojilerinin geliştirilmesinde kullanımı ve kanser erken teşhisine yönelik olarak uygulanması

    Usage of ITO based disposable material for the development of biosensor technologies and their applications to early diagnosis of cancer

    MERT AKGÜN

    Yüksek Lisans

    Türkçe

    Türkçe

    2019

    BiyomühendislikÇanakkale Onsekiz Mart Üniversitesi

    Biyomühendislik ve Malzeme Mühendisliği Ana Bilim Dalı

    PROF. DR. MUSTAFA KEMAL SEZGİNTÜRK

  2. Tez No

    384801

    Realistic microwave breast models through T1-weighted 3-D MRI data

    T1-ağırlıklı 3-boyutlu MRI datası kullanılarak gerçekçi mikrodalga meme modelleri geliştirilmesi

    AHMET HAKAN TUNÇAY

    Yüksek Lisans

    İngilizce

    İngilizce

    2013

    Bilim ve Teknolojiİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    PROF. DR. İBRAHİM AKDUMAN

  3. Tez No

    847504

    Synthesis of dye-conjugated PD-L1 targeted peptides for use in pet/ct in diagnosis of lung cancer

    Akciğer kanseri teşhisi için PET/CT sistemlerinde kullanılacak PD-L1 proteini hedefli boya takılı peptitlerin sentezi

    SAADET YEŞİLMEN

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Biyokimyaİstanbul Teknik Üniversitesi

    Kimya Ana Bilim Dalı

    DOÇ. DR. ONUR ALPTÜRK

    DR. ÖZGÜR YILMAZ

  4. Tez No

    658603

    Farklı derin öğrenme modelleri kullanarak histopatalojik görüntülerden meme tümörlerinin sınıflandırılmasında yeni yaklaşımlar

    New approaches in classification of breast tumors from histopathological images using different deep learning models

    SEMA NIZAM ABDULGHANI

    Doktora

    Türkçe

    Türkçe

    2021

    Elektrik ve Elektronik MühendisliğiSelçuk Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. SEYFETTİN SİNAN GÜLTEKİN

  5. Tez No

    702434

    Meme kanseri cerrahi girişimlerinde hasta/hasta yakını bilgilendirme örnek illüstrasyon uygulaması

    Sample illustration implementation of informing patient and patient relative in breast cancer surgical interventions

    SEMA ÇINAR

    Yüksek Lisans

    Türkçe

    Türkçe

    2021

    Genel CerrahiOndokuz Mayıs Üniversitesi

    Tıbbi Resimleme Ana Bilim Dalı

    DOÇ. DR. SAİM SAVAŞ YÜRÜKER

    PROF. DR. ALİ SEYLAN

Geri Dön