EARLY DIAGNOSIS OF OSTEOPOROSIS USING ARTIFICIAL NEURAL NETWORKS AND SUPPORT VECTOR MACHINES

Transkript

1 YAPAY SİNİR AĞLARI ve DESTEK VEKTÖR MAKİNELERİ KULLANARAK KEMİK ERİMESİ HASTALIĞININ ERKEN TEŞHİSİ EARLY DIAGNOSIS OF OSTEOPOROSIS USING ARTIFICIAL NEURAL NETWORKS AND SUPPORT VECTOR MACHINES Mustafa İSTANBULLU 1, Musa AYDIN 1, Rıfat BENVENİSTE 1, Osman Nuri UÇAN 1,Rachid JENNANE 2 1 Elektrik Elektronik Mühendisliği Bölümü İstanbul Aydın Üniversitesi, Beşyol Mah. No:38 Küçükçekmece İstanbul mustafaistanbullu@aydin.edu.tr, musaaydin@aydin.edu.tr,rifatbenveniste@aydin.edu.tr 2 Instiut PRISME / LESI University of Orleans Rachid.Jennane@univ-orleans.fr ÖZETÇE Son yıllarda osteoporotik çatlama ve kırıklar toplum sağlığını tehdit eden en önemli problemlerden biri haline gelmiştir. 50 yaş ve üzerindeki kadınların menopoz sonrası dönemde bu sorunla karşı karşıya kalma olasılıkları %30 seviyesinin üzerine çıkmaktadır. Kemik ermesi hastalığı için erken teşhis çok önemlidir. Eğer zamanında müdahale edilip tedavi aşamasına geçilmezse, hasta dokularda çatlaklara ve hatta kırıklara yol açmaktadır. Çalışmamızda bu önemli sorundan esinlenerek, osteoporotik rahatsızlıklarda erken teşhise yardımcı olacak bir örüntü tanıma yöntemi oluşturmayı hedefledik. Çalışmamızın ana yapısında Bilgisayarlı Tomografi (BT) görüntüleri üzerinde dalgacık dönüşümünden faydalanarak öznitelikler elde ettik. Yapay Sinir Ağları(YSA) ve Destek Vektör Makinası (DVM) kullanarak sınıflandırma yapmaya çalıştık. Çalışmamızın sonucunda YSA ile yapılan sınıflandırmada %70 başarılya erken dönem görüntülerine osteoporoz teşhisi konulabilmiştir. DVM ile gerçekleştirdiğimiz sınıflandırma ise doğruluk yüzdesini artırarak %86 doğrulukta erken teşhis koyabilmektedir. Çalışmamızdan aldığımız bu başarılı sonuçlar osteoporoz erken teşhisi için önemli bir katkı sağlamaktadır. ABSTRACT In the last decade, osteoporotic fractures became one of the most serious problems in public health. The life risk of suffering of an osteoporotic fracture is estimated to be 30% for 50 years old and in postmenopausal period woman. Early diagnosis is quite important for osteoporosis. A fall can be easily result in a fracture; these are common in the hip, at the neck of the femur, the wrist and the spine, if it s not treated sequences on time. Be inspiring from this problem we aimed to build up an image processing method for helping to early diagnosis. In this study we obtained features via wavelet transform from Computerized Tomography images. Classification is achieved /12/$26.00 c 2012 IEEE by Artificial Neural Networks (ANN) and Support Vector Machines (SVM). As a result for ANN, we accomplished 70% correct osteoporosis classification from early period images. SVM classification increased the accuracy and we have reached up 86% correct classification. These successful results make a significant contribution to early diagnosis of osteoporosis. 1. GİRİŞ 1994 te Dünya Sağlık Örgütünün yaptığı tanımlamaya göre Osteoporoz (aşırı kemik gözenekliliği), kemik mineral yoğunluğu azalmış ve mikromimarisi bozulmuş bir kemik hastalığıdır. Bu hastalığa maruz kalan kişilerin kemikleri gün geçtikçe daha ince ve kırılgan bir hale gelmeye başlar. Bu sebeple birçok kadın özellikle kalça, omurga, el bileği gibi kemiklerde kırıklarla karşılaşmaktadır[1].elli yaş ve üzerindeki kadınların %30-%40 ının bu Osteoporoz sorunuyla karşı karşıya olduğu ortaya konulmuştur [2]. Günümüzde kemik mineral yoğunluğu (KMY) genellikle omurga veya proksimal femur (kalça-uyluk) kemiğinden ölçülür. Kemik mineral yoğunluğunun genç erişkine göre 2,5 standart sapma veya daha düşük olması durumunda osteoporoz tanısı konulur. Bu katsayı T skoru olarak tanımlanır. Fakat osteoporoz tanımına göre KMY ölçümü teşhis için yeterli değildir ve buna mikromimari değişkenleri de eklenmelidir. Kemik trabeküler mikromimarisini karakterize etmek için doku analizi kullanılabilir [3, 4, 5, 6, 7]. Klinik çalışmalar sağlıklı ve osteoporotik kemik dokularının farkını ortaya koymuştur [8, 9]. Şekil 1A da sağlıklı bir kemik dokusunun yapısı görülmektedir. Şekil 1B ise kemik erimesine maruz kalmış bir hastanın kemik dokusu yapısının simulasyon ortamında gösterilmesidir. Şekil 2 de ileri derecede kemik erimesinin sebep olduğu omurilik çatlağının simulasyon görüntüsü verilmiştir. Biz çalışmamızda, osteoporuzun erken dönem tanılanmasında Bilgisayarlı Tomografi (BT) görüntüleri üzerinde örüntü tanıma yaparak ileride osteoporoz oluşabilecek dokuları erken teşhis etmeye çalışıyoruz. Örüntü tanımlayarak

2 Şekil 2: Kemik erimesie bağlı omurilik kırığı. Şekil 1: Sağlıklı ve kemik erimesine maruz kalmış doku yapısı. hasta olabilecek kemik dokusu ile sağlıklı kemik dokusunu sınıflandırabilmek için Yapay Sinir Ağları (YSA) [10, 11] ve Destek Vektör Makinaları (DVM) yöntemlerinden faydalandık. YSA, elektrokardiyogram analizi [12, 13], kalp yetmezliği kestirimi [14], koroner kalp hastalıkları [15] gibi birçok biyomedikal uygulamada başarılı bir şekilde kullanılmaktadır. Tüm bunların yanında YSA nın ve DVM nin osteoporozda kullanımı hala başlangıç aşamasındadır. Biyomedikal alanda yapılan çalışmalarda sıkça kullanılan bu iki yöntemin çalışmamızdaki problemde de başarı göstereceği kestirilebilmektedir. Makalenin devamıda öncelikle kullandığımız yöntemleri detaylandıracağız, ardından elde ettiğimiz sonuçlar ile ilgili bilgileri verecek ve sonuç olurak bu verilerin başarımını değerlendireceğiz. 2. YÖNTEM Çalışmamızda, 39 u osteoporoz tanısı konulmuş, 41 i kontrol grubu olan 80 kişinin sınıflandırılmasında YSA ve DVM yöntemlerini kullandık. Çalışmalarımızda kullanılan görüntüler, Orleans Hastanesinde 2 yıl boyunca menopoz sonrası rutin kontrolü yapılan kadınlardan alınmıştır. Sağlıklı oldukları dönemde görüntüsü alınan kişilerden 2 yıl sonra omurga çatlak veya kırığı olanlar osteoporoz tanılı görüntü olarak gruplandırılmıştır. Şekil 3 ve Şekil 4 te sırasıyla sağlıklı ve kemik erimesi tanısı konulmuş hastaların erken dönem Bilgisayarlı Tomografi ile alınmış omurga kemiği görüntüsüne birer örnek gösterilmektedir. Alınan görüntüler üzerinde daha kolay çalışma yapabilmek için, görüntülerin ilgililenilen bölgesini keserek işledik. Elimizdeki toplam 80 verinin hasta tanılı ve sağlıklı olanlardan karışık 20 tanesini test, 60 tanesini de eğitim için kullandık. Görüntüler üzerinde öznitelik çıkarmada dalgacık dönüşümü yöntemi kullandık. Şekil 3 ve Şekil 4 de verilen görüntülerden anlaşılacağı gibi kemik erimesi tanısı konulan ile sağlıklı dokular arasında Şekil 3: Kemik erimesi tanısı konulmuş kişinin erken dönem kemik dokusu BT görüntüsü. sıradan insan gözüyle farklılık tespit etmek mümkün değildir. Çalışmamızda ilgili bölgeleri alınmış olan doku görüntülerinin öznitelikleri Dalgacık Dönüşümünden faydalanarak çıkardık. Sonra Yapay Sinir Ağları ve Destek Vektör Makineleri ile sınıflandırmaya tabi tutuk Öznitelik Çıkarımı Temel bir örüntü tanıma sistemi şu adımlar ile gerçekleştirilir: ön işleme, öznitelik çıkarma/seçme ve sınıflama. Öznitelik çıkarma, şekil tanılama ve şeklin önemli özniteliklerinin çıkarılıp öznitelik vektörünün elde edilmesi işlemidir.biz de çalışmamızda öznitelik çıkarımı için Dalgacık Dönüşümünden faydalandık. Sonraki aşamada ise Temel Bileşen analizi kullanarak öznitelik vektörümüzün boyutunu küçülttük.

3 Şekil 4: Sağlıklı bir kişinin erken dönem kemik dokusu BT görüntüsü Dalgacık Dönüşümü Dalgacık dönüşümü Fourier dönüşümünün durağan olmayan sinyallerdeki eksiklerini gidermek için geliştirilmiş farklı bir dönüşüm yöntemidir [16]. Bu analiz yöntemi gürültüye karşı daha az hassasiyet göstermekte ve durağan olmayan sinyallere rahatlıkla uygulanabilmektedir. Dalgacık ifadesi ilk olarak 1909 yılında Alfred Haar tarafından ortaya atılmıştır [17]. Daha sonra Ingrid Daubechies, Ronald Coifman gibi uluslar arası araştırmacılar yöntemi geliştirerek bugünkü şekline getirmişlerdir. Sürekli dalgacık dönüşümde hesap yükü çok fazladır. Hesap yükünü azaltmak için Ayrık Dalgacık Dönüşümü (ADD) kullanılır. Ayrık dalgacık dönüşümünde öteleme ve ölçeklerin ikili kuvvetleri alınır. Sistemimizde imgelere uyguladığımız dalgacık dönüşümü filtresini Daubechies 5( db5 ) [19] olarak seçtik. Dalgacık dönüşümü sonrası her bir imgeden yatay, dikey ve köşegen olarak (70x70) boyutunda matrisler elde edildi. Dalgacık dönüşümü ile elde ettiğimiz bu matrislerin ortalama ve varyanslarını öznitelik vektörümüzün elemanları olarak belirledik. Oluşturduğumuz bu öznitelik vektörü 1x6 lık bir yapıda Yapay sinir ağı sistemimize girdi olarak sağlanmıştır Yapay Sinir Ağları Yapay sinir ağları, insan beyninin sinir hücrelerinden oluşmuş katmanlı ve paralel olan yapısının tüm fonksiyonlarıyla beraber, sayısal dünyada gerçeklenmeye çalışılan modellenmesidir. Nöronların etkisi sinapsların etkinliğinin değiştirilmesiyle ayarlanabilir, böylece öğrenme gerçekleşir. YSA ile ilgili detaylı bilgi literatürde yer alan bir çok çalışmadan elde edilebilir [19, 21]. Yaptığımız çalışmada BT görüntülerine Dalgacık Dönüşümü uygulayarak elde edilen öznitelikleri YSA nın girişine uyguladık. YSA yapısı olarak ileri beslemeli yapay sinir ağlarında geriye yayılım algoritması kullandık. Sekil5 kullanılan yapının basit bir modelini göstermektedir. Şekil 5: Yapay sinir ağlarının temel yapısı. Oluşturduğumuz YSA yapısında gizli katmanda 50 nöron kullanıp YSA çıkışında ise hasta veya hasta değil olarak iki çıkış aldık. Elimizdeki 80 adet veriden elde ettiğimiz öznitelik vektörlerinin, sağlıklı ve hasta tanılı olarak karışık şekilde 60 tanesi eğitim, 20 tanesi test için veri girişi olarak YSA yapımıza uyguladık. Böylelikle eğitim için YSA yapısının girişine toplamda 360 öznitelik uygulanmış olduk. YSA sistemimiz ile elde ettiğimiz sonuçları deneysel çalışma bölümünde detaylı olarak verilmiştir Destek Vektör Makineleri DVM, bir öğrenme metodu olarak ilk kez V. Vapnik ve arkadaşları tarafından ileri sürülmüştür [23]. DVM nin dayandığı ana fikir, öznitelik uzayında iki sınıfı en uygun olarak ayırabilecek bir hiperdüzlem bulmaktır. Diğer birçok doğrusal öğrenme makineleri de bu mantıkla çalışmasına karşın, DVM nin onlardan farklı olan yönü, test edilecek nesneler için yanlış sınıflandırma olasılığını en aza indirecek bir çözüm sunabilmesidir (structural risk minimization) [24]. Bizde çalışmamızda yanlış sınıflandırma riskini minimize etmek amacıyla ikinci olarak DVM ile sınıflandırma yöntemini denedik. Tek-sınıf DVM durumunda, veri öncelikle uygun bir çekirdek fonksiyon kullanılarak öznitelik uzayına taşınır ve daha sonra bir hiperdüzlem vasıtasıyla iki sınıf birbirinden ayrılır. Bu hiperdüzlem parametreleri normal DVM dekine benzer bir kuadratik problemin çözülmesi ile elde edilir [25]. Çalışmamızda kemik erimesi bulunan imgelerin etiketi +1, kemik erimesi bulunmayan imgelerin etiketi -1 ile gösterilmiştir. Test kümesindeki veriler için karar çıktıları şu şekilde hesaplanmaktadır. min( 1 2 w vl l ξ i ρ) (1) i=1 (wϕ(x i )) ρ ξ i, i = 1, 2,..., l, ξ i 0 (2) f(x) = sgn(wϕ x ρ) (3)

4 Burada w ve p hiperdüzlem parametreleri, ϕ çekirdek fonksiyon, v yanlış sınıflandırılan değerlerin (outlier) izin verilen oranı, l eğitim kümesindeki nesnelerin sayısı ve ξ ise hata parametresidir. Çalışmamızda, DVM sınıflandırmasını yapmadan önce öznitelik vektörümüzün boyutunu Temel Bileşen Analizi kullanarak küçülttük ve DVM e giriş olarak uyguladık. DVM sonuçları detaylı olarak deneysel çalışma bölümünde yer almaktadır Temel Bileşen Analizi (TBA) TBA çok sayıda birbiri ile ilişkili değişkenler içeren veri setinin boyutlarını veri içerisinde varolan değişimlerin mümkün olduğunca korunarak daha az boyuta indirgenmesini sağlayan bir dönüşüm tekniğidir. Analiz, eldeki veriyi daha az sayıda değişkenle ifade edebilecek en iyi dönüşümü belirlemeyi amaçlar. Dönüşüm sonrasında elde edilen değişkenler ilk değişkenlerin temel bileşenleri olarak adlandırılır. İlk temel bileşen varyans değeri en büyük olandır ve diğer temel bileşenler varyans değerleri azalacak şekilde sıralanır [26]. Çalışmamızda her bir imge için elde ettiğimiz 6 adet özniteliklere TBA uygulayarak, öznitelik sayısını 2 ye indirgedik. Böylece özniteliklerin karmaşıklığını azaltarak görselleştirilebilir hale getirmiş olduk. İndirgenmiş öz niteliklerimizi DVM yoluyla sınıflandırarak osteoporoz olma ihtimali olan dokular ile sağlıklı dokuları sınıflandırmaya çalıştık. 3. DENEYSEL ÇALIŞMA Osteoporoz ile ilgili deneysel çalışmamızda postmenopozal dönemde henüz osteoporotik bir bulgu saptanmmaış kadınlardan alınan Bilgisayrlı Tomografi görüntülerini kullandık. Kullandığımız veritabanında 39 u ileri dönemde osteoporoz tanısı konulmuş, 41 i kontrol grubu olan 80 kişinin görüntüsü yer almaktadır. Öncelikli olarak veritabanındaki görüntülerimize dalgacık dönüşümü uygulayarak ortalama ve varyanslarından öznitelik vektörleri oluşturduk. Bu öznitelik vektörlerinden sağlıklı ve hasta tanısı konulmuş verileri karışık bir şekilde 60 tane eğitim ve 20 tanesi test olacak şekilde ayırdık. İlk olarak özniteliklerimizi gizli katmanında 50 nöron yer alan ileri beslemeli geriye yayılım yapısında bir Yapay Sinir Ağına Uyguladık. Çıkışında hasta veya sağlıklı şeklinde sonuç aldığımız bu yapay sinir ağı %70 başarımla hasta tanısı konulmuş kemik dokusunu saptayabilmiştir. Başarım yüzdesini arttırabilmek amacıyla farklı bir sınıflandırma yöntemi olarak Destek Vektör Makinelerini kullandık. Öncelikle Temel Bileşen Analizi kullanarak öznitelik vektör boyutumuzu küçülttük. Ardından DVM ile elde ettiğimiz sınıflandırmada %86 lık bir başarım elde edebildik. Erken teşhisin çok önemli olduğu bu hastalıkta %86 doğrulukta tanı koymak anlamlı bir sonuç olarak karşımıza çıkmaktadır. Elde edilen özniteliklerin dağılımı Şekil 6 da gösterilmiştir. 4. SONUÇ Elli yaş ve üzerindeki kadınların menopoz sonrası sağlık tehditlerinden biri olan osteoporoz, erken tanı ile tedavisi başlanamadığında, ileri seviyelerde kalça, omurga, el bileği gibi kemiklerde kırıklara neden olmaktadır. Bu çalışmamızda Şekil 6: Elde edilen özniteliklerin dağılımı. Bilgisayarlı Tomografi görüntüleri üzerinden erken tanı yapa bilmek için bir örüntü tanıma yapısı oluşturmaya çalıştık. Bu amaçla Dalgacık Dönüşümü kullanarak elde ettiğimiz öznitelikleri iki farklı sınıflandırma yöntemine uyguladık. İlk Yöntemimiz olan Yapay Sinir Ağları ile %70 başarımlı erken tanı sağlayabildik. Destek Vektör makineleri kullanarak yaptığımız sınıflandırmada ise bu başarımı %86 seviyesine kadar çıkarabildik. Bu sonuçların gösterdiği doğrultuda gerçekleştirdiğimiz örüntü tanıma yapısı osteoporoz için erken tanımada yardımcı olabilecek önemli bir araç olarak kullanılabilir. Elimizde yer alan veritabanı 80 gibi kısıtlı bir sayı ile başarılı bir sonuç gösterebilmiştir. İnanıyoruzki daha fazla veri ile sınıflandırma sistemlerimizi daha başarılı bir şekilde eğitebilir ve daha yüksek başarımlı sonuçlar da elde edebiliriz. 5. KAYNAKÇA [1] Fogelman I., Blake G. B., Different Approaches To Bone Densiometry, J Nuc Med, 41: , [2] Gregory J.S., Junold R.M., Udrill P.E., Aspden R.M., Analysis of Trabecular Bone Structure Using Fourier Transforms and Neural Networks, IEEE Inf Tech Biomed, 3: , [3] Benhamou C.L., Poupon S., Lespessailles E., Loiseau S., Jennane R., Siroux V., Ohley W., Pothuaud L., Fractal analysis of radiographic trabecular bone texture and bone mineral density: two complementary parameters related to osteoporotic fractures,j Bone Miner Res, 16: [4] Benhamou C.L., Lespessailles E., Jacquet G., Harba R., Jennane R., Loussot T., Tourliere D., Ohley W., Fractal organization of trabecular bone images on calcaneus radiographs, J. Bone Miner. Res., 9: ; [5] Benhamou C.L., Lespessailles E., Tourlieres D., Jacquet G., Harba R., Jennane R., Fractal characterization of trabecular bone microarchitecture: interest of a maximum likelihood estimation, J. Bone Miner. Res., 8 (Suppl 1 S), p. 263, 1993.

5 [6] Lundahl T., Ohley W.J., Kay S.M., Siffert R., Fractional Brownian motion: a maximum likelihood estimator and its applications to images processing, IEEE Trans. Med Imag, 5: , [7] Jennane R., Harba R., Jacquet G., Quality of Synthesis and Analysis Methods for Fractional Brownian Motion, IEEE Digital Signal Processing Workshop, Loen, Norway, Sep., pp , [8] Mjumdar S., Weinstein R.S., Prasad R.R., Application offractal geometry techiques to the study of trabecularbone, Med Phys, 20: , [9] Pothuaaud L., Benhamou C.L.,Porion P., Lespessailles E., Harba R., Levitz P., Fractal dimension of trabecular bone projection texture is related to three-dimensional microarchitecture, J Bone Miner Res, 15: , [10] Basheer I.A., Hajmeer M., Artificial neural networks: fundamentals, computing, design and applications, J Microbiol Meth, 43:3-31, [11] Chaudhuri B.B., Bhattacharya U., Efficient training and improved performance of multilayer perceptron in pattern classification, Neurocomputing, 34:11-27, [12] Hilera J.R., Martinez V.J., Mazo M.,Int J Uncert Fuzz Knowl Based Syst, 3: , [13] Chen J.D.Z., Lin Z., Wu Q., McCallum R.W., Noninvasive identification of gastric contractions from surface electrogastrogram using backpropagation neural networks, Med Eng Phys, 17: , [14] Ortiz J., Ghefter C.G.M., Silva C.E.S., Sabatini R.E.M., One-year mortality prognosis in heart failure: a neural network approach based on echocardiographic data, J Am Coll Cardiol, 26: , [15] Onho-Machado L., Musen M.A., Sequential versus standard neural networks for pattern recognition: an example using the domain of coronary heart disease, Comput Biol Med, 27: , [16] Hasiloglu A., Dalgacık Dönüşümü ve Yapay Sinir Ağları ile Döndürmeye Duyarsız Doku Analizi ve Sınıflandırma, Atatürk Üniversitesi, Mühendislik Fakültesi,Elektronik ve Haberleşme Mühendisliği Bölümü, Erzurum, [17] Akıncı T.Ç., Dalgacık Analizinin EKG Sinyallerine Uygulanması ve Sinyal Sıkıştırma, Marmara Üniversitesi Teknik Eğitim Fakültesi,Elektrik Eğitimi Bölümü,İstanbul [18] Engin E.Z., Sayısal Ses İşlemenin Tıbbi Tanıda Kullanılması, Ege Üniversitesi, Fen Bilimleri Enstitüsü, Elektrik ve Elektronik Mühendisliği Anabilim Dalı,İzmir, [19] Weeks M.,Digital Signal Processing Using MATLAB and Wavelets, Georgia State University. [20] Kay S., Fundamentals of statistical signal processing, Englewood Cliffs, NJ: 1992, Prentice Hall. [21] Haykin S., Neural Networks, Prentice Hall, [22] Grossberg S., Adaptive pattern classification and universal decoding: I. Parallel development and decoding of neural network detectors, Biol Cybernet, 23: , [23] Vapnik V.N., An overview of statistical learning theory, IEEE Transactions on Neural Networks, [24] Vapnik V. N., The Nature of Statistical Learning Theory, Springer-Verlag, New York, [25] Gardner A.B., Krieger A.M., Vachtsevanos G., Litt B., One-Class Novelty Detection for Seizure Analysis from Intracranial EEG, Journal of Machine Learning Research, vol. 7, pp , Dec [26] Yazar I., Yavuz H.S., Çay M.A., Temel Bileşen Analizi Yönteminin ve Bazı Klasik ve Robust Uyarlamalarının Yüz Tanıma Uygulamaları, Eskişehir Osmangazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi Cilt:XXII, Sayı:1, 2009.