3B Alzheimer MR Görüntülerinin Hacimsel Kayıp Bölgelerindeki Voksel Değerleri Kullanılarak Sınıflandırılması

Muhammet Üsame ÖZİÇ, (Necmettin Erbakan Üniversitesi, Mühendislik ve Mimarlık Fakültesi, Biyomedikal Mühendisliği Bölümü, Konya, Türkiye)
Seral ÖZŞEN (Konya Teknik Üniversitesi, Mühendislik ve Doğa Bilimleri Fakültesi, Elektrik Elektronik Mühendisliği Bölümü, Konya, Türkiye)
El-Cezerî Journal of Science and Engineering
59 7
Yıl: 2020 Cilt: 7 Sayı: 3 Sayfa Aralığı: 1152 - 1166 Metin Dili: Türkçe DOI: 10.31202/ecjse.728049 İndeks Tarihi: 26-12-2020

3B Alzheimer MR Görüntülerinin Hacimsel Kayıp Bölgelerindeki Voksel Değerleri Kullanılarak Sınıflandırılması

Öz:
Alzheimer Hastalığı bilişsel bozukluklar ve unutkanlık ile başlayan ölümcül bir nörolojik hastalıktır.Hastalığın beyinde meydana getirdiği hacimsel değişimler yüksek çözünürlüklü manyetik rezonans görüntüleriile izlenebilmektedir. Bu çalışmada, OASIS veri tabanından alınan 3B T1 ağırlıklı manyetik rezonans görüntülerikullanılarak gri madde ve beyaz madde bölgelerinde meydana gelen hacimsel kayıplar voksel tabanlı morfometriyöntemi ile haritalandırılmış ve bu bölgelerdeki anlamlı voksel değerleri ile alzheimer ve normal manyetikrezonans görüntülerini sınıflandıran bir karar destek sistemi tasarlanmıştır. Manyetik rezonans görüntülerindegruplar arası voksel tabanlı morfometri işlemi için SPM8, MRIcro programları ve VBM8 kütüphanesikullanılmıştır. Hacimsel kayıp haritalarından elde edilen binary maskeler ile gri madde ve beyaz madde bölgelerimaskelenmiştir. Her bir gri madde ve beyaz madde görüntüsünde maske altında kalan bölgelerden aynı koordinatnoktalarına denk gelen voksel değerleri ile anlamlı veri kümeleri oluşturulmuştur. Özellik derecelendirmeyöntemleri ile veriler en anlamlı özellikten en anlamsız özelliğe doğru derecelendirilmiştir. Sıralanan özellikleron kat çapraz geçerleme ile lineer ve rbf kernel kullanan destek vektör makinelerine giriş olarak verilmiştir.Yapılan denemeler sonucunda en yüksek doğruluk oranları t-test özellik derecelendirme tabanlı lineer destekvektör makineleri ile gri madde sınıflandırmada %92.857 ve beyaz madde sınıflandırmada %79.286 olarakbulunmuştur.
Anahtar Kelime:

Classification of 3B Alzheimer's MR Images Using Voxel Values in Volumetric Loss Regions

Öz:
Alzheimer's Disease is a deadly neurological disease that begins with cognitive disorders and forgetfulness. Volumetric changes caused by the disease in the brain can be monitored with high resolution magnetic resonance images. In this study, volumetric losses occurring in gray matter and white matter regions were mapped by voxel-based morphometry method using 3D T1-weighted magnetic resonance images taken form OASIS database, and a decision support system was designed that classifies alzheimer's and normal magnetic resonance images with significant voxel values in these regions. SPM8, MRIcro programs and VBM8 library were used for inter-group voxel-based morphometry on magnetic resonance images. Gray matter and white matter regions were masked with binary masks obtained from volumetric loss maps. Significant data sets were created with voxel values corresponding to the same coordinate points from the areas under the mask in each gray matter and white matter image. With feature ranking methods, the data were ranked from the most meaningful feature to the most meaningless feature. The ranked features were given as input to the support vector machine using linear and rbf kernel with 10 fold cross validation. As a result of the experiments, the highest accuracy rates were found as 92.857% in gray matter classification and 79.286% in white matter classification with linear support vector machines based on t-test feature ranking.
Anahtar Kelime:

Belge Türü: Makale Makale Türü: Araştırma Makalesi Erişim Türü: Erişime Açık
  • [1]. Selekler, K., Alois Alzheimer ve Alzheimer Hastalığı, Türk Geriatri Dergisi, 2010, 13, 9-14.
  • [2]. Türkiye Alzheimer Derneği, Türkiye'de 600bin aile Alzheimer Hastalığı ile Mücadele Ediyor., http://www.alzheimerdernegi.org.tr/haber/turkiyede-600-bin-aile-alzheimer hastaligi-ile-muca dele-ediyor/ (10.02.2020).
  • [3]. Alzheimer's Association, 2019 Alzheimer's disease facts and figures, Alzheimer's & Dementia, 2019, 15(3), 321-387.
  • [4]. TUİK, Nüfus Projeksiyonları 2018-2080, http://www.tuik.gov.tr/PreHaberBultenleri.do ?id=30567 (06.04.2020).
  • [5]. Gürvit, H., Baran, B., Demanslar ve Kognitif Bozukluklarda Ölçekler, Nöropsikiyatri Arşivi, 2007, 44, 58-65.
  • [6]. Marcus, D.S., Wang, T.H., Parker, J., Csernansky, J.G., Morris, J. C., Buckner, R.L., Open Access Series of Imaging Studies (OASIS): cross-sectional MRI data in young, middle aged, nondemented, and demented older adults, Journal of cognitive neuroscience, 2007, 19(9), 1498-1507.
  • [7]. MRIcro, https://people.cas.sc.edu/rorden/mricro/mricro.html (10.02.2020).
  • [8]. University College London, SPM8, Available: https://www.fil.ion.ucl.ac.uk/spm/software /spm8 ( 06.04.2020).
  • [9]. Kurth, F., Luders, E., Gaser, C., VBM8 toolbox manual, Jena: University of Jena, 2010.
  • [10]. Öziç, M.Ü., 3B Alzheimer MR Görüntülerinin Sınıflandırılmasında Yeni Yaklaşımlar, Doktora Tezi, Fen Bilimleri Enstitüsü, Selçuk Üniversitesi, 2018.
  • [11]. Başçiftçi, F., Avuçlu E., Determination Age and Gender with Edge Detection Algorithms Using Dental X-Ray Images, El-Cezeri Journal of Science and Engineering, 2019, 7(1), 315-321.
  • [12]. Demircioğlu, P., Diş ve İmplant Mikromorfolojik Yapıların Sinyal ve Görüntü İşleme Yöntemleri ile Değerlendirilmesi, El-Cezeri Journal of Science Engineering, 2018, 5, 741- 748.
  • [13]. Güvenoğlu, E., Bağırgan, M., Shearlet Dönüşümü ve Görüntü İşleme Teknikleri Kullanılarak Kot Kumaşlar Üzerinde Gerçek Zamanlı Hata Tespiti, El-Cezeri Journal of Science and Engineering, 2019, 6(3), 491-502.
  • [14]. Pellegrini, E., Ballerini, L., Hernandez, M.V., Chappell, F.M., González-Castro, V., Anblagan, D., Danso, S., Muñoz-Maniega, S., Job, D., Pernet, C., Machine learning of neuroimaging for assisted diagnosis of cognitive impairment and dementia: A systematic review, Alzheimer's Dementia: Diagnosis, Assessment Disease Monitoring, 2018, 10, 519- 535.
  • [15]. Lahmiri, S., Shmuel, A., Performance of machine learning methods applied to structural MRI and ADAS cognitive scores in diagnosing Alzheimer’s disease, Biomedical Signal Processing, 2019, 52, 414-419.
  • [16]. Jo, T., Nho, K., Saykin, A.J., Deep learning in Alzheimer’s disease: diagnostic classification and prognostic prediction using neuroimaging data, Frontiers in aging neuroscience, 2019, 11, 220.
  • [17]. Mahmood, R., Ghimire, B., Automatic detection and classification of Alzheimer's Disease from MRI scans using principal component analysis and artificial neural networks, 20th International Conference on Systems, Signals and Image Processing (IWSSIP), 7-9 July 2013,133-137:IEEE, Bucharest, Romania.
  • [18]. Jha, D., Kim, J-I., Kwon, G-R., Diagnosis of Alzheimer’s Disease Using Dual-Tree Complex Wavelet Transform, PCA, and Feed-Forward Neural Network, Journal of Healthcare Engineering, 2017.
  • [19]. Wang, S.H., Zhang, Y., Li, Y.J., Jia, W.J., Liu, F.Y., Yang, M.M., Zhang, Y.D., Single slice based detection for Alzheimer’s disease via wavelet entropy and multilayer perceptron trained by biogeography-based optimization, Multimedia Tools and Applications, 2018, 77(9), 10393-10417.
  • [20]. Mechelli, A., Price, C.J., Friston, K.J., Ashburner, J., Voxel-based morphometry of the human brain: methods and applications, Current medical imaging reviews, 2005, 1(2), 105- 113.
  • [21]. Öziç, M.Ü., Özşen, S., Ekmekci, A.H., Voxel based morphometric analysis on MR images, International Artificial Intelligence and Data Processing Symposium (IDAP), 16-17 September 2017, pp. 1-5: IEEE, Malatya, Turkey.
  • [22]. Öziç, M.Ü., Özşen, S., Comparison Global Brain Volume Ratios on Alzheimer’s Disease Using 3D T1 Weighted MR Images, Avrupa Bilim ve Teknoloji Dergisi, 2020, 18, 599-606.
  • [23]. Radua, J., Canales-Rodríguez, E.J., Pomarol-Clotet, E., Salvador, R., Validity of modulation and optimal settings for advanced voxel-based morphometry, Neuroimage, 2014, 86, 81-90.
  • [24]. Dashjamts, T., Yoshiura, T., Hiwatashi, A., Togao, O., Yamashita, K., Ohyagi, Y., Monji, A., Kamano, H., Kawashima, T., Kira, J., Honda, H., Alzheimer's Disease: Diagnosis by Different Methods of Voxel-Based Morphometry, Fukuoka Acta Medica, 2012, 103(3), 59- 69.
  • [25]. Beheshti, I., Demirel, H., Feature-ranking-based Alzheimer’s disease classification from structural MRI, Magnetic Resonance Imaging, 2016, 34(3), 252-263.
  • [26]. Beheshti, I., Demirel, H., Probability distribution function-based classification of structural MRI for the detection of Alzheimer’s disease, Computers in Biology And Medicine, 2015, 64, 208-216.
  • [27]. Beheshti, I., Demirel, H., Farokhian, F., Yang, C., Matsuda H., Structural MRI-based detection of Alzheimer's disease using feature ranking and classification error, Computer Methods Programs in Biomedicine, 2016, 137, 177-193.
  • [28]. Beheshti, I., Demirel, H., Matsuda, H., Classification of Alzheimer's disease and prediction of mild cognitive impairment-to-Alzheimer's conversion from structural magnetic resource imaging using feature ranking and a genetic algorithm, Computers in Biology And Medicine, 2017, 83, 109-119.
  • [29]. Savio, A., García-Sebastián, M.T., Chyzyk, D., Hernández, C., Graña, M., Sistiaga, A., De Munain, A.L., Villanúa, J., Neurocognitive disorder detection based on feature vectors extracted from VBM analysis of structural MRI, Computers in Biology Medicine, 2011, 41(8), 600-610.
  • [30]. Kurth, F., Gaser, C., Luders E., A 12-step user guide for analyzing voxel-wise gray matter asymmetries in statistical parametric mapping (SPM), Nature Protocols, 2015, 10(2), 293- 304.
  • [31]. Öziç, M.Ü., Özşen, S., Üç Boyutlu T1 Ağırlıklı Manyetik Rezonans Görüntülerinde Ön İşleme Yöntemleri, Avrupa Bilim ve Teknoloji Dergisi, 2020, 19, 227-240.
  • [32]. Ashburner, J., A fast diffeomorphic image registration algorithm, Neuroimage, 2007, 38(1), 95-113.
  • [33]. Klein, A., Andersson, J., Ardekani, B.A., Ashburner, J., Avants, B., Chiang, M.C., Christensen, G.E., Collins, D.L., Gee, J., Hellier, P., Evaluation of 14 nonlinear deformation algorithms applied to human brain MRI registration, Neuroimage, 2009, 46(3), 786-802.
  • [34]. Baron, J., Chetelat, G., Desgranges, B., Perchey, G., Landeau, B., De La Sayette, V., Eustache, F., In vivo mapping of gray matter loss with voxel-based morphometry in mild Alzheimer's disease, Neuroimage, 2001, 14(2), 298-309.
  • [35]. Busatto, G.F., Garrido, G.E., Almeida, O.P., Castro, C.C., Camargo, C.H., Cid, C.G., Buchpiguel, C.A., Furuie, S., Bottino, C.M., A voxel-based morphometry study of temporal lobe gray matter reductions in Alzheimer’s disease, Neurobiology of aging, 2003, 24(2), 221-231.
  • [36]. Chu, C., Hsu, A.L., Chou, K.H., Bandettini, P., Lin, C., Does feature selection improve classification accuracy? Impact of sample size and feature selection on classification using anatomical magnetic resonance images, Neuroimage, 2012, 60(1), 59-70.
  • [37]. Mwangi, B., Tian, T.S., Soares, J.C., A review of feature reduction techniques in neuroimaging, Neuroinformatics, 2014, 12(2), 229-244.
  • [38]. Nguyen, T., Nahavandi, S., Creighton, D., Khosravi, A., Mass spectrometry cancer data classification using wavelets and genetic algorithm, FEBS letters, 2015, 589(24), 3879- 3886.
  • [39]. Cortes, C., Vapnik, V., Support-vector networks, Machine learning, 1995, 20(3), 273-297.
  • [40]. Öziç, M.Ü., Özşen, S., T-test feature ranking based 3D MR classification with VBM mask, 25th Signal Processing and Communications Applications Conference (SIU), 15-18 May 2017, pp. 1-4: IEEE, Antalya, Turkey.
APA ÖZİÇ M, ÖZŞEN S (2020). 3B Alzheimer MR Görüntülerinin Hacimsel Kayıp Bölgelerindeki Voksel Değerleri Kullanılarak Sınıflandırılması. , 1152 - 1166. 10.31202/ecjse.728049
Chicago ÖZİÇ Muhammet Üsame,ÖZŞEN Seral 3B Alzheimer MR Görüntülerinin Hacimsel Kayıp Bölgelerindeki Voksel Değerleri Kullanılarak Sınıflandırılması. (2020): 1152 - 1166. 10.31202/ecjse.728049
MLA ÖZİÇ Muhammet Üsame,ÖZŞEN Seral 3B Alzheimer MR Görüntülerinin Hacimsel Kayıp Bölgelerindeki Voksel Değerleri Kullanılarak Sınıflandırılması. , 2020, ss.1152 - 1166. 10.31202/ecjse.728049
AMA ÖZİÇ M,ÖZŞEN S 3B Alzheimer MR Görüntülerinin Hacimsel Kayıp Bölgelerindeki Voksel Değerleri Kullanılarak Sınıflandırılması. . 2020; 1152 - 1166. 10.31202/ecjse.728049
Vancouver ÖZİÇ M,ÖZŞEN S 3B Alzheimer MR Görüntülerinin Hacimsel Kayıp Bölgelerindeki Voksel Değerleri Kullanılarak Sınıflandırılması. . 2020; 1152 - 1166. 10.31202/ecjse.728049
IEEE ÖZİÇ M,ÖZŞEN S "3B Alzheimer MR Görüntülerinin Hacimsel Kayıp Bölgelerindeki Voksel Değerleri Kullanılarak Sınıflandırılması." , ss.1152 - 1166, 2020. 10.31202/ecjse.728049
ISNAD ÖZİÇ, Muhammet Üsame - ÖZŞEN, Seral. "3B Alzheimer MR Görüntülerinin Hacimsel Kayıp Bölgelerindeki Voksel Değerleri Kullanılarak Sınıflandırılması". (2020), 1152-1166. https://doi.org/10.31202/ecjse.728049
APA ÖZİÇ M, ÖZŞEN S (2020). 3B Alzheimer MR Görüntülerinin Hacimsel Kayıp Bölgelerindeki Voksel Değerleri Kullanılarak Sınıflandırılması. El-Cezerî Journal of Science and Engineering, 7(3), 1152 - 1166. 10.31202/ecjse.728049
Chicago ÖZİÇ Muhammet Üsame,ÖZŞEN Seral 3B Alzheimer MR Görüntülerinin Hacimsel Kayıp Bölgelerindeki Voksel Değerleri Kullanılarak Sınıflandırılması. El-Cezerî Journal of Science and Engineering 7, no.3 (2020): 1152 - 1166. 10.31202/ecjse.728049
MLA ÖZİÇ Muhammet Üsame,ÖZŞEN Seral 3B Alzheimer MR Görüntülerinin Hacimsel Kayıp Bölgelerindeki Voksel Değerleri Kullanılarak Sınıflandırılması. El-Cezerî Journal of Science and Engineering, vol.7, no.3, 2020, ss.1152 - 1166. 10.31202/ecjse.728049
AMA ÖZİÇ M,ÖZŞEN S 3B Alzheimer MR Görüntülerinin Hacimsel Kayıp Bölgelerindeki Voksel Değerleri Kullanılarak Sınıflandırılması. El-Cezerî Journal of Science and Engineering. 2020; 7(3): 1152 - 1166. 10.31202/ecjse.728049
Vancouver ÖZİÇ M,ÖZŞEN S 3B Alzheimer MR Görüntülerinin Hacimsel Kayıp Bölgelerindeki Voksel Değerleri Kullanılarak Sınıflandırılması. El-Cezerî Journal of Science and Engineering. 2020; 7(3): 1152 - 1166. 10.31202/ecjse.728049
IEEE ÖZİÇ M,ÖZŞEN S "3B Alzheimer MR Görüntülerinin Hacimsel Kayıp Bölgelerindeki Voksel Değerleri Kullanılarak Sınıflandırılması." El-Cezerî Journal of Science and Engineering, 7, ss.1152 - 1166, 2020. 10.31202/ecjse.728049
ISNAD ÖZİÇ, Muhammet Üsame - ÖZŞEN, Seral. "3B Alzheimer MR Görüntülerinin Hacimsel Kayıp Bölgelerindeki Voksel Değerleri Kullanılarak Sınıflandırılması". El-Cezerî Journal of Science and Engineering 7/3 (2020), 1152-1166. https://doi.org/10.31202/ecjse.728049
Sayfa Oluşturulma Tarihi
23-04-2024 16:18

İLETİŞİM

TÜBİTAK ULAKBİM TR Dizin

Yüzüncüyıl, İşçi Blokları Mahallesi

Muhsin Yazıcıoğlu Caddesi No:51/C

06530 Çankaya / ANKARA +90 (312) 298 92 00

trdizin@tubitak.gov.tr

TÜBİTAK ULAKBİM Ulusal Akademik Ağ ve Bilgi Merkezi Cahit Arf Bilgi Merkezi © Tüm Hakları Saklıdır. Gizlilik Politikası Kullanım Şartları