Derin Öğrenme ile FTIR Sinyallerinden Kolon Kanseri Riskinin Belirlenmesi

Yıl 2018, Cilt: 30 Sayı: 3, 115 - 120, 20.09.2018

Suat Toraman , İbrahim Türkoğlu

Öz

Bu
çalışmada, kolon kanseri hastaları ve sağlıklı kişiler, FTIR (Fourier Transform
Infrared - Fourier
Dönüşümü Kızılötesi) spektrogramlarından elde edilen özellikler yardımıyla
sınıflandırılmıştır. Spektrogram resimlerinden özellik çıkarımı için derin
öğrenme ağlarından Evrişimsel Sinir Ağları (ESA) kullanılmıştır. Kandan kanser
belirleme çalışmalarında karşılaşılan en büyük zorluk hasta ve sağlıklı
bireylerin FTIR sinyallerinin birbirine çok benzer olmasıdır. Önceki
çalışmalarda, genellikle FTIR sinyalleri arasından bir ayrım bulabilmek için
pik değerlerinden yararlanılmıştır. Bu çalışmada ise, bu zorluğun üstesinden
gelmek için ESA’nın kullanıldığı yeni bir yaklaşım önerilmiştir. Önerilen
yöntemde, kolon kanseri hastası ve sağlıklı kişilere ait plazmalardan elde
edilen FTIR sinyalleri spektrogram resimlerine dönüştürülmüştür. AlexNet modeli
kullanılarak spektrogram resimlerinden özellik çıkarımı gerçekleştirilmiştir. Elde
edilen özellikler Destek Vektör Makinesi (DVM) ile sınıflandırılmıştır. Kan
numunesinden kolon kanserinin sınıflandırılmasına yönelik olarak yapılan çalışmalar
ile karşılaştırıldığında, önerilen yöntem ile yaklaşık %90 gibi daha iyi bir
sınıflandırma sonucu elde edilmiştir. Sonuçlar, geliştirilen yöntemin kolon
kanseri hastaları ve sağlıklı kişileri ayırt edebilmede kullanılabilecek
faydalı bir yöntem olabileceğini göstermiştir.

Anahtar Kelimeler

FTIR, Spektrogram, Kolon Kanseri, Evrişimsel Sinir Ağları

Kaynakça

• 1. Türkiye İstatistik Kurumu, Ölüm Nedeni İstatistikleri, Sayı:27620, 2018 2. Barlev E, Zelig U, Bar O, et al A novel method for screening colorectal cancer by infrared spectroscopy of peripheral blood mononuclear cells and plasma. J Gastroenterol 3. Ostrovsky E, Zelig U, Gusakova I, et al (2012) Detection of Cancer Using Advanced Computerized Analysis of Infrared Spectra of Peripheral Blood. IEEE Trans Biomed Eng 60:1–1 4. Baker MJ, Gazi E, Brown MD, et al (2008) FTIR-based spectroscopic analysis in the identification of clinically aggressive prostate cancer. Br J Cancer 99:1859–1866 5. Fujioka N, Morimoto Y, Arai T, Kikuchi M Discrimination between normal and malignant human gastric tissues by Fourier transform infrared spectroscopy. Cancer Detect Prev. doi: 10.1016/j.cdp.2003.11.004 6. Maziak DE, Do MT, Shamji FM, et al Fourier-transform infrared spectroscopic study of characteristic molecular structure in cancer cells of esophagus: An exploratory study. Cancer Detect Prev. doi: 10.1016/j.cdp.2007.03.003 7. Fabian H, Thi NAN, Eiden M, et al (2006) Diagnosing benign and malignant lesions in breast tissue sections by using IR-microspectroscopy. Biochim Biophys Acta 1758:874–882 8. Cheng CG, Tian YM, Jin WY (2008) A study on the early detection of colon cancer using the methods of wavelet feature extraction and SVM classifications of FTIR. Spectroscopy 22:397–404 9. Cheng C, Xiong W, Tian Y (2009) Classification of rat FTIR colon cancer data using wavelets and BPNN. Chinese J Chem 27:911–914 10. Zwielly A, Mordechai S, Sinielnikov I, et al (2010) Advanced statistical techniques applied to comprehensive FTIR spectra on human colonic tissues. Med Phys 37:1047–55 11. Sheng D, Liu X, Li W, et al (2013) Distinction of leukemia patients’ and healthy persons’ serum using FTIR spectroscopy. Spectrochim Acta - Part A Mol Biomol Spectrosc 101:228–232 12. Erukhimovitch V, Talyshinsky M, Souprun Y, Huleihel M (2006) FTIR spectroscopy examination of leukemia patients plasma. Vib Spectrosc 40:40–46 13. Ahmed SSSJ, Santosh W, Kumar S, Thanka Christlet TH Neural network algorithm for the early detection of Parkinson’s disease from blood plasma by FTIR micro-spectroscopy. Vib Spectrosc. doi: 10.1016/j.vibspec.2010.01.019 14. Sheng D, Wu Y, Wang X, et al (2013) Comparison of serum from gastric cancer patients and from healthy persons using FTIR spectroscopy. Spectrochim Acta - Part A Mol Biomol Spectrosc 116:365–369 15. Wang X, Shen X, Sheng D, et al (2014) FTIR spectroscopic comparison of serum from lung cancer patients and healthy persons. Spectrochim Acta - Part A Mol Biomol Spectrosc 122:193–197 16. Barlev E, Zelig U, Bar O, et al (2015) A novel method for screening colorectal cancer by infrared spectroscopy of peripheral blood mononuclear cells and plasma. J Gastroenterol 56–78 17. Toraman S, Türkoğlu İ (2016) FTIR İşaret Örüntülerinden Kolon Kanserinin Belirlenmesine Yönelik Yeni Bir Otomatik Tanıma Yöntemi. Int Conf Nat Sci Eng 2354–2361 18. Kaya A, Keçeli AS, Can AB Akciğer nodül özelliklerinin tahmininde çeşitli sınıflama stratejilerinin incelenmesi. Gazi Üniversitesi Mimar Mühendislik Fakültesi Derg (2018), https//doi.or/1017341/gazimmfd416530 19. Cummins N, Amiriparian S, Hagerer G, et al (2017) An Image-based Deep Spectrum Feature Representation for the Recognition of Emotional Speech. Proc 2017 ACM Multimed Conf - MM ’17 478–484 20. Toraman S (2016) Kızılötesi Spektroskopisi Kullanılarak Kan Örneklerinden Kolon Kanserine Yönelik Özellik Çıkarımı. Fırat Üniversitesi, Fen Bilimleri Enstitüsü, Doktora Tezi 21. Taşaner MM (2009) Çoklu Silindirik Hedeflerin Sınıflandırılması. Yıldız Teknik Üniversitesi, Fen Bilmileri Enstitüsü, Yüksek Lisans Tezi 22. Mustafa M, Taib MN, Murat ZH, et al (2011) Classification of EEG spectrogram image with ANN approach for brainwave balancing application. Int J Simul Syst Sci Technol 12:29–36 23. Krizhevsky A, Sutskever I, Hinton GE (2012) ImageNet Classification with Deep Convolutional Neural Networks. Adv Neural Inf Process Syst 1–9 24. MATLAB and Computer Vision System Toolbox, The MathWorks, Inc., Natick, Massachusetts, United States. 25. Zhou Y, Nejati H, Do T-T, et al (2016) Image-based Vehicle Analysis using Deep Neural Network: A Systematic Study 26. Şengür A, Akılotu BN, Tuncer SA, et al (2018) Optic Disc Determination in Retinal Images with Deep Features. In: 26th Signal Processing and Communications Applications Conference (SIU). pp 4–7 27. Khazaee A, Ebrahimzadeh A Classification of electrocardiogram signals with support vector machines and genetic algorithms using power spectral features. Biomed Signal Process Control. doi: 10.1016/j.bspc.2010.07.006 28. Kharat PA, Dudul S V. (2012) Daubechies wavelet neural network classifier for the diagnosis of epilepsy. WSEAS Trans Biol Biomed 9:103–113 29. Amiriparian S, Gerczuk M, Ottl S, et al (2017) Snore Sound Classification Using Image-based Deep Spectrum Features Chair of Complex & Intelligent Systems , Universit ¨. 3512–3516 30. Vedaldi A, Zisserman A (2010) Efficient Additive Kernels via Explicit Feature Maps. Proc {CVPR} 34:480–492 31. Fan R-E, Chang K-W, Hsieh C-J, et al (2008) LIBLINEAR: A Library for Large Linear Classification. J Mach Learn Res 9:1871–1874.