Show simple item record

dc.contributor.advisorTüzün Aksu, Dilek
dc.contributor.authorKarataş, Nur
dc.date.accessioned2020-12-29T06:47:45Z
dc.date.available2020-12-29T06:47:45Z
dc.date.submitted2007
dc.date.issued2018-08-06
dc.identifier.urihttps://acikbilim.yok.gov.tr/handle/20.500.12812/339170
dc.description.abstractYakın zamanda tanısal radyolojide kullanılan görüntüleme araçlarındaki teknolojik gelişmeler tümör dokusu hakkında geniş bir bilgi tayfı sağlamaktadır. Beyin tümörlerinin görüntülenmesi tümörün yerleşimi, yayılımı, tipi ve yayılma seviyesini (agresyon) belirlemeyi amaçlamaktadır. Konvansiyonel Manyetik Rezonans Görüntüleme (MRG) teknikleri beyin tümörlerinin tanısında en çok tercih edilen prosedürdür. Bununla beraber, ileri MRG teknikleri de beyin tümörleri hakkında ek bilgiler sağlamaktadır. Özellikle, çalışmalar MR Görüntüleme teknikleriyle elde edilen bilgiler ile tümörün agresyonu arasında güçlü bir ilişki bulunduğunu göstermiştir. Tümörün seviyesi cerrahi ve tedavi planlamada temel bir rol oynar. Tümörün seviyesini belirlemek için kullanılan konvansiyonel prosedür histopatolojik biyopsidir. Cerrahi bir operasyon olmasının yanı sıra, biyopsinin aynı zamanda alınan doku örneklerinde belirli bir örneklem hatası içermesi dezavantajı da bulunmaktadır. Bu yüzden, bazı durumlarda tümörün seviyesinin belirlenmesinde çeşitli görüntüleme tekniklerinden yararlanılması faydalı olabilir. Bu tez çalışmasında, ileri görüntüleme teknikleri olan Difüzyon Ağırlıklı Görüntüleme, Manyetik Rezonans Spektroskopi, Perfüzyon Görüntüleme ve Difüzyon Tensör Görüntüleme parametreleri kullanılarak beyin tümörlerinin agresyon seviyesinin operasyon öncesi tahmin edilmesinde Lojistik Regresyon, Geri Yayılım Algoritması (GYA) ve Özdüzenleyici Haritalarının (ÖDH) performansı karşılaştırılmıştır. Sonuçlar verinin karmaşık doğasına tanıklık etmektedir. Diğer iki methodla karşılaştırıldığında, Bayesian Regularizasyon GYA on beş veri setinin on dördü için en iyi sınıflandırmayı yapmıştır. Modelleri, sıfır modelinden daha iyi sınıflandırma yapan modelleri doğrulanmış modeller olarak ayırdık. GYA doğrulanmış modellerin 13 te 9'unu daha iyi sınıflandırmıştır. Doğrulanmış modellerde, beyin tümör seviyesinin sınıflandırılması %67.50 ile %100.00 arasında değişmektedir.
dc.description.abstractRecent technological developments in imaging tools that are used in diagnostic radiology provide a wide spectrum of information about tumor tissues. Imaging techniques of brain tumors aim to determine the localization, extend, type and tumor grade. Conventional Magnetic Resonance Imaging (MRI) techniques are the most preferred procedure to diagnose brain tumors. However, advanced MRI techniques also provide additional information about brain tumors. Particularly, researchers have shown that a strong relationship exists between the information acquired using advanced MRI techniques and the grade of the tumor. The grade of the tumor plays a central role in surgery and treatment planning. The conventional procedure for grading the tumor is histopathological biopsy. In addition to being an invasive technique, biopsy also suffers from the disadvantage that the histological samples obtained are subject to a certain sampling error. Thus, a non-invasive method for determining the tumor grade by using several imaging techniques may be beneficial in certain situations. In this thesis, we compared the performance of Logistic Regression(LR), Back Propagation (BP) and Self Organizing Maps (SOM) in the prediction of the tumors' grade preoperatively using the parameters of advanced MRI techniques, namely Diffusion Weighted Imaging (DWI), Magnetic Resonance Spectroscopy (MRS), Perfusion-weighted Magnetic Resonance Imaging (pMRI) and Diffusion Tensor Imaging (DTI). We concluded that the results have evidenced the complex nature of the data. Compared to the other two methods, BP training algorithm with Bayesian Regularization gives the best classification for fourteen out of fifteen data sets. We seperated models as validated models that provide better classification than the null model. BP algorithm classified better for 9 out of 13 models. The correct classification of brain tumor grade in validated models have a range between %67.50 and %100.00.en_US
dc.languageEnglish
dc.language.isoen
dc.rightsinfo:eu-repo/semantics/embargoedAccess
dc.rightsAttribution 4.0 United Statestr_TR
dc.rights.urihttps://creativecommons.org/licenses/by/4.0/
dc.subjectBiyoistatistiktr_TR
dc.subjectBiostatisticsen_US
dc.subjectEndüstri ve Endüstri Mühendisliğitr_TR
dc.subjectIndustrial and Industrial Engineeringen_US
dc.subjectRadyoloji ve Nükleer Tıptr_TR
dc.subjectRadiology and Nuclear Medicineen_US
dc.titleNon-invasive diagnosis of brain tumor grade
dc.title.alternativeBeyin tümörü seviyesine non-invazif tanı koyma
dc.typemasterThesis
dc.date.updated2018-08-06
dc.contributor.departmentDiğer
dc.subject.ytmLogistic regression analysis
dc.subject.ytmBack propagation networks
dc.identifier.yokid415262
dc.publisher.instituteFen Bilimleri Enstitüsü
dc.publisher.universityYEDİTEPE ÜNİVERSİTESİ
dc.identifier.thesisid438657
dc.description.pages204
dc.publisher.disciplineSistem Mühendisliği Bilim Dalı


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show simple item record

info:eu-repo/semantics/embargoedAccess
Except where otherwise noted, this item's license is described as info:eu-repo/semantics/embargoedAccess