SavedAdd your journal

Journals / Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi / 2020 / Cilt: 35 - Sayı: 2

Dalgacık dönüşümü ve makine öğrenme teknikleri kullanılarak FTIR sinyallerinden kolon kanseri hastaları ve sağlıklı kişileri sınıflandırmak için yeni bir yöntem

Suat TORAMAN
İbrahim TÜRKOĞLU
Pages
933–942
Publication Date
2019-12-25
DOI
—
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

Deneysel sonuçlar, önerilen yöntemin, kolon kanseri hastalarını ve sağlıklı bireyleri ayırt etmede faydalı bir yöntem olabileceğini göstermektedir.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Fourier Dönüşümü Kızılötesi (FTIR – Fourier Transform Infrared) spektroskopisi, kimyasal değişimleri saptayabilme kabiliyetinden dolayı kan örneklerinden kanseri tespiti çalışmalarında kullanılmaktadır.
📊
Key Findings & Data:Hastaların ve sağlıklı kişilerin FTIR sinyalini ayırt etmeye yönelik çalışmalardaki en büyük zorluk, FTIR sinyallerinde açık bir spektral farkın olmamasıdır.
💡
Conclusion & Impact:Deneysel sonuçlar, önerilen yöntemin, kolon kanseri hastalarını ve sağlıklı bireyleri ayırt etmede faydalı bir yöntem olabileceğini göstermektedir.
🔬Design:Review & Systematic Survey
📍Scope:Comprehensive Sample
⚙️Variables:FTIR sinyali · kolon kanseri · dalgacık dönüşümü

Özet

Fourier Dönüşümü Kızılötesi (FTIR – Fourier Transform Infrared) spektroskopisi, kimyasal değişimleri saptayabilme kabiliyetinden dolayı kan örneklerinden kanseri tespiti çalışmalarında kullanılmaktadır. Hastaların ve sağlıklı kişilerin FTIR sinyalini ayırt etmeye yönelik çalışmalardaki en büyük zorluk, FTIR sinyallerinde açık bir spektral farkın olmamasıdır. Daha önceki çalışmalarda, bu zorluğun üstesinden gelmek için kan örneklerinin kurutulup, daha sonra FTIR ölçümü sonucu elde edilen sinyalindeki pik değerleri veya pik oranları kullanılmıştır. Önerilen yöntemde ise, literatürden farklı olarak, plazma örnekleri kurutulmadan sıvı halde ölçülmüş ve elde edilen FTIR sinyali bir bütün olarak incelenmiştir. Her bir FTIR sinyali, dalgacık dönüşümü kullanılarak alt bantlara ayrıştırılmıştır. Kolon kanseri hastaları ve sağlıklı kişiler, FTIR sinyalinin alt bantlardan çıkarılan özellikler kullanılarak sınıflandırılmıştır. Sınıflandırma işlemi için Yapay Sinir Ağları (YSA), Destek Vektör Makineleri (DVM) ve k-En Yakın Komşu (k-NN) algoritmaları kullanılmıştır. Kolon kanseri hastaları ve sağlıklı kişiler DVM ile %97,14 doğrulukla sınıflandırılmıştır. Deneysel sonuçlar, önerilen yöntemin, kolon kanseri hastalarını ve sağlıklı bireyleri ayırt etmede faydalı bir yöntem olabileceğini göstermektedir.

🔖

Cite This Article

TORAMAN, S., TÜRKOĞLU, İ. (2019). Dalgacık dönüşümü ve makine öğrenme teknikleri kullanılarak FTIR sinyallerinden kolon kanseri hastaları ve sağlıklı kişileri sınıflandırmak için yeni bir yöntem. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, Cilt: 35 - Sayı: 2, 933–942. https://ajindex.com/articles/13182

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (13)

  1. Türkiye İstatistik Kurumu, Ölüm Nedeni İstatistikleri. http://www.tuik.gov.tr/PdfGetir.do?id=27620, Erişim tarihi:09.01.2019
  2. Erukhimovitch, V., Talyshinsky, M., Souprun, Y., Huleihel, M., FTIR spectroscopy examination of leukemia patients plasma. Vib Spectrosc. 40 (1), 40–46, 2006
  3. Ostrovsky, E., Zelig, U., Gusakova, I., Ariad, S., Mordechai, S., Nisky, I., Kapilushnik, J., Detection of cancer using advanced computerized analysis of infrared spectra of peripheral blood. IEEE Trans Biomed Eng. 60 (2), 343–353, 2013
  4. Sheng, D., Liu, X., Li, W., Wang, Y., Chen, X., Wang, X., Distinction of leukemia patients’ and healthy persons’ serum using FTIR spectroscopy. Spectrochim Acta - Part A Mol Biomol Spectrosc. 101, 228–232, 2013
  5. Sheng, D., Wu, Y., Wang, X., Huang, D., Chen, X., Liu, X., Comparison of serum from gastric cancer patients and from healthy persons using FTIR spectroscopy. Spectrochim Acta - Part A Mol Biomol Spectrosc. 116, 365–369, 2013
  6. Wang, X., Shen, X., Sheng, D., Chen, X., Liu, X., FTIR spectroscopic comparison of serum from lung cancer patients and healthy persons. Spectrochim Acta - Part A Mol Biomol Spectrosc. 122, 193–197, 2014
  7. Barlev, E., Zelig, U., Bar, O., Segev, C., Mordechai, S., Kapelushnik, J., Nathan, I., Flomen, F., Kashtan, H., Dickman, R., Madhala-Givon, O., Wasserberg, N., A novel method for screening colorectal cancer by infrared spectroscopy of peripheral blood mononuclear cells and plasma. J Gastroenterol. 56–78, 2015
  8. Cheng, CG., Tian, YM., Jin, WY., A study on the early detection of colon cancer using the methods of wavelet feature extraction and SVM classifications of FTIR. Spectroscopy. 22 (5), 397–404, 2008
  9. Toraman, S., Kızılötesi Spektroskopisi Kullanılarak Kan Örneklerinden Kolon Kanserine Yönelik Özellik Çıkarımı. Doktora Tezi, Fırat Üniversitesi,
  10. Fen Bilimleri Enstitüsü, Elazığ, 2016
  11. Akansu, AN., Serdijn, WA., Selesnick, IW., Emerging applications of wavelets: A review. Phys Commun. 3 (2), 1–18, 2010
  12. Aydin, F., Aslan, Z., Diagnosis of neuro degenerative diseases using machine learning methods and wavelet transform. Journal of the Faculty of Engineering and Architecture of Gazi University. 32 (3), 749–766, 2017 Haşiloǧlu, A., Rotation-Invariant Texture Analysis and Classification by Artificial Neural Networks and Wavelet Transform. Turkish J Eng Environ Sci. 25 (5), 405–413, 2001
  13. Phinyomark, A., Hirunviriya, S., Limsakul, C., Phukpattaranont, P., Evaluation of EMG feature extraction for hand movement recognition based on E