Meme tümörünün erken teşhisine yönelik titreşim tabanlı sistem tasarımı

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.