Non-invasive diagnosis of brain tumor grade
dc.contributor.advisor | Tüzün Aksu, Dilek | |
dc.contributor.author | Karataş, Nur | |
dc.date.accessioned | 2020-12-29T06:47:45Z | |
dc.date.available | 2020-12-29T06:47:45Z | |
dc.date.submitted | 2007 | |
dc.date.issued | 2018-08-06 | |
dc.identifier.uri | https://acikbilim.yok.gov.tr/handle/20.500.12812/339170 | |
dc.description.abstract | Yakın 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.abstract | Recent 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.language | English | |
dc.language.iso | en | |
dc.rights | info:eu-repo/semantics/embargoedAccess | |
dc.rights | Attribution 4.0 United States | tr_TR |
dc.rights.uri | https://creativecommons.org/licenses/by/4.0/ | |
dc.subject | Biyoistatistik | tr_TR |
dc.subject | Biostatistics | en_US |
dc.subject | Endüstri ve Endüstri Mühendisliği | tr_TR |
dc.subject | Industrial and Industrial Engineering | en_US |
dc.subject | Radyoloji ve Nükleer Tıp | tr_TR |
dc.subject | Radiology and Nuclear Medicine | en_US |
dc.title | Non-invasive diagnosis of brain tumor grade | |
dc.title.alternative | Beyin tümörü seviyesine non-invazif tanı koyma | |
dc.type | masterThesis | |
dc.date.updated | 2018-08-06 | |
dc.contributor.department | Diğer | |
dc.subject.ytm | Logistic regression analysis | |
dc.subject.ytm | Back propagation networks | |
dc.identifier.yokid | 415262 | |
dc.publisher.institute | Fen Bilimleri Enstitüsü | |
dc.publisher.university | YEDİTEPE ÜNİVERSİTESİ | |
dc.identifier.thesisid | 438657 | |
dc.description.pages | 204 | |
dc.publisher.discipline | Sistem Mühendisliği Bilim Dalı |