Derin Öğrenme Metodu ve Ayrık Dalgacık Dönüşümü Kullanarak BT Görüntülerinden Akciğer Kanseri Teşhisi

Year 2022, Volume: 4 Issue: 2, 141 - 154, 26.10.2022

Mehmet Akif Cifci

https://doi.org/10.46387/bjesr.1114243

Cited By: 1

Abstract

Derin Öğrenmenin (DÖ) teknikleriyle erken kanser tanısı son dönemlerde araştırmacılar arasında en çok üzerinde durulan konu olmuştur. Ayrıca pek çok araştırmada görüldüğü üzere DÖ’nın tıp alanında kullanımı günümüzde daha da önem kazanmaktadır. Araştırmacılar sağlık alanında çoğunlukla kanser ve kanser türleri teşhis ederken DÖ tekniklerinden yararlanmaktadır. Bunun başlıca nedeni akciğer kanserinden ölüm riskinin yüksek olmasıdır. Bu tür hastalıkların tanısında BT görüntülerinin net olmamasından dolayı, doğru karar vermede uzmanlar görüş ayrılıkları yaşamaktadır. Bu ve benzeri hastalıkları erken ve doğru tanılayabilen ve daha güvenilir sonuçlar verebilen DÖ karar verme mekanizmaları bir seçenek haline gelmiştir. Yapılan araştırmalara göre akciğer kanseri, dünya çapında ölümlerin en önde gelen nedenleri arasındadır. Akciğer kanseri sadece 2019 yılında tahmini 1,76 milyon insanın ölümden sorumludur. Sebepleri artıkça (ortalama aile öyküsü, sigara, yüksek tansiyon ve diğer popüler tıbbi nedenler) ölüm oranı ortalaması %80'in üzerinde arttığı gözlemlenmiştir. Olgular erken tanı konup, tedavi edilirse kanser kaynaklı ölümlerin oranının azalmakta olduğu görülmüştür. Hastalığın doğru saptanması tedavi edilmesinde önemli rol oynamaktadır.
Bu çalışmada Ayrık Dalgacık Dönüşümü (ADD) yaklaşımı ile DÖ tekniği birleştirilerek, 6053 akciğer tomografi veri seti (veri kaynağı, yaş grubu, coğrafi bölge vb. kısa bilgi) üzerinde işlem yapılmıştır. Hastanın kanser olup olmadığı, kanser olduğu takdirde ise bunun iyi huylu (benign) ya da kötü huylu (malign) olduğuna karar verilmesine çalışılmaktadır. Bilgisayarlı Tomografi (BT), görüntülerde öncelikle görüntü işleme aşamalarının yanı sıra ADD ile öznitelik çıkarımı yapılıp elde edilen veriler DÖ ’ya girdi verisi olarak kullanılır. Bu çalışmada iki metot önerilmiştir. Birinci yöntemde VGG-16, Inception v4, MobileNet v3 kullanılırken ikinci yöntemde AlexNet yöntemi uygulanmaktadır. Bu yöntem hem ADD kullanımı hem de iki aşamalı olması yönüyle yaygın kullanılan diğer tekniklerden farklıdır. Deneysel sonuçların yüksek performans gösterdiğini ve AlexNet’in %99, 86, MobileNet v3’ün %98,00, VGG-16 %95,50, Inception v4’ün ise %96,03 doğrulukta sonuç verdiği belirlenmiştir. Böylece akciğer hastalıklarının BT görüntülerinde kanser olup olmadığı, kanser ise hangi aşamada olduğu konusunda ön bilgi elde edilebilmektedir.

Keywords

Bilgisayarlı Tomografi, Akciğer kanseri, Derin Öğrenme, VGG-16, MobileNet v3, AlexNet, Inception v4, Evrişimli Sinir Ağları

References

• [1] E. Cengil and A. Çinar, “A Deep Learning Based Approach to Lung Cancer Identification, ” 2018 Int. Conf. Artif. Intell. Data Process. IDAP 2018, 2019, doi: 10.1109/IDAP.2018.8620723.
• [2] N. Bayes, G. Algoritma, R. Orman, and M. Bilgisi, “Genetik Algoritma ve Sınıflandırıcı Yöntemler ile Kanser Tahmini, ” vol. 2, no. 1, pp. 30–34, 2019.
• [3] Y. Xu et al., “Deep learning predicts lung cancer treatment response from serial medical imaging, ” Clin. Cancer Res., vol. 25, no. 11, pp. 3266–3275, 2019, doi: 10.1158/1078-0432.CCR-18-2495.
• [4] M. F. Serj, B. Lavi, G. Hoff, and D. P. Valls, “A Deep Convolutional Neural Network for Lung Cancer Diagnostic, ” pp. 1–10, 2018.
• [5] K. Munir, H. Elahi, A. Ayub, F. Frezza, and A. Rizzi, “Cancer diagnosis using deep learning: A bibliographic review, ” Cancers (Basel)., vol. 11, no. 9, pp. 1–36, 2019, doi: 10.3390/cancers11091235.
• [6] S. K. Lakshmanaprabu, S. N. Mohanty, K. Shankar, N. Arunkumar, and G. Ramirez, “Optimal deep learning model for classification of lung cancer on CT images, ” Futur. Gener. Comput. Syst., vol. 92, pp. 374–382, 2019, doi: 10.1016/j.future.2018.10.009.
• [7] H. Park and C. Monahan, “Genetic Deep Learning for Lung Cancer Screening, ” 2019.
• [8] D. Learning, E. Detection, and L. Cancer, “Deep Learning – Early Detection of Lung Cancer with CNN, ” no. Lidc, pp. 2–4, 2019.
• [9] S. Kumar, “Importance of Artificial Intelligence – Machine Learning & Deep Learning Prediction in Cancer Diagnosis using Logistic Regression, ” vol. 5, no. November, 2019.
• [10] J. L. Causey et al., “Lung cancer screening with low-dose CT scans using a deep learning approach, ” 2019.
• [11] L. Ebner et al., “Lung nodule detection by microdose CT versus chest radiography (standard and dual-energy subtracted), ” Am. J. Roentgenol., vol. 204, no. 4, pp. 727–735, 2015, doi: 10.2214/AJR.14.12921.
• [12] S. S. Singh, A. Dahal, L. Shrestha, and S. D. Jois, “Genotype Driven Therapy for Non-Small Cell Lung Cancer: Resistance, Pan Inhibitors and Immunotherapy, ” Curr. Med. Chem., 2019, doi: 10.2174/0929867326666190222183219.
• [13] M. J. Ahn et al., “136O: Osimertinib combined with durvalumab in EGFR-mutant non-small cell lung cancer: Results from the TATTON phase Ib trial, ” J. Thorac. Oncol., vol. 11, no. 4, p. S115, 2016, doi: 10.1016/S1556-0864(16)30246-5.
• [14] A. Sharma and R. Rani, “An optimized framework for cancer classification using deep learning and genetic algorithm, ” J. Med. Imaging Heal. Informatics, 2017, doi: 10.1166/jmihi.2017.2266.
• [15] J. Kuruvilla and K. Gunavathi, “Lung cancer classification using neural networks for CT images, ” Comput. Methods Programs Biomed., 2014, doi: 10.1016/j.cmpb.2013.10.011.
• [16] Y. Wang, “Interactive Machine Learning with Applications in Health Informatics, ” 2018.
• [17] Q. Z. Song, L. Zhao, X. K. Luo, and X. C. Dou, “Using Deep Learning for Classification of Lung Nodules on Computed Tomography Images, ” J. Healthc. Eng., vol. 2017, 2017, doi: 10.1155/2017/8314740.
• [18] S. U. R. Mir, I. S. A. Ahmed, S. Arnold, and R. J. Craven, “Elevated progesterone receptor membrane component 1/sigma-2 receptor levels in lung tumors and plasma from lung cancer patients, ” Int. J. Cancer, 2012, doi: 10.1002/ijc.26432.
• [19] M. S. Rahman, P. C. Shill, and Z. Homayra, “A New Method for Lung Nodule Detection Using Deep Neural Networks for CT Images, ” 2nd Int. Conf. Electr. Comput. Commun. Eng. ECCE 2019, pp. 1–6, 2019, doi: 10.1109/ECACE.2019.8679439.
• [20] Z. Zhong et al., “3D fully convolutional networks for co-segmentation of tumors on PET-CT images, ” Proc. - Int. Symp. Biomed. Imaging, vol. 2018-April, no. Isbi, pp. 228–231, 2018, doi: 10.1109/ISBI.2018.8363561.
• [21] W. Alakwaa, M. Nassef, and A. Badr, “Lung cancer detection and classification with 3D convolutional neural network (3D-CNN), ” Int. J. Biol. Biomed. Eng., vol. 11, no. November, pp. 66–73, 2017, doi: 10.14569/ijacsa.2017.080853.
• [22] Q. Z. Song, L. Zhao, X. K. Luo, and X. C. Dou, “Using Deep Learning for Classification of Lung Nodules on Computed Tomography Images, ” J. Healthc. Eng., 2017, doi: 10.1155/2017/8314740.
• [23] T. Pandiangan, I. Bali, and A. R. J. Silalahi, “Early lung cancer detection using artificial neural network, ” Atom Indones., 2019, doi: 10.17146/aij.2019.860.
• [24] T. Heeneman and M. Business Analytics, “Lung nodule detection by using Deep Learning, ” no. January, 2018.
• [25] A. M. Mesleh, “Lung cancer detection using multi-layer neural networks with independent component analysis: A comparative study of training algorithms, ” Jordan J. Biol. Sci., 2017.
• [26] R. Dey, Z. Lu, and Y. Hong, “Diagnostic classification of lung nodules using 3D neural networks, ” Proc. - Int. Symp. Biomed. Imaging, vol. 2018-April, pp. 774–778, 2018, doi: 10.1109/ISBI.2018.8363687.
• [27] S. Li et al., “Predicting lung nodule malignancies by combining deep convolutional neural network and handcrafted features, ” Phys. Med. Biol., 2019, doi: 10.1088/1361-6560/ab326a.
• [28] S. Shen, S. X. Han, D. R. Aberle, A. A. Bui, and W. Hsu, “An interpretable deep hierarchical semantic convolutional neural network for lung nodule malignancy classification, ” Expert Syst. Appl., 2019, doi: 10.1016/j.eswa.2019.01.048.
• [29] A. Shaffie et al., “A generalized deep learning-based diagnostic system for early diagnosis of various types of pulmonary nodules, ” Technol. Cancer Res. Treat., 2018, doi: 10.1177/1533033818798800.
• [30] Deye, N., Vincent, F., Michel, P., Ehrmann, S., Da Silva, D., Piagnerelli, M., ... & Laterre, P. F. (2016). Changes in cardiac arrest patients’ temperature management after the 2013 “TTM” trial: results from an international survey. Annals of intensive care, 6(1), 1-9.
• [31] S. Engineering, “DEEP NEURAL NETWORKS FOR HUMAN MOTION ANALYSIS IN BIOMECHANICS APPLICATIONS by Deep Neural Networks for Human Motion Analysis in Biomechanics Applications By RAHIL MEHRIZI Dissertation Director : Kang Li, ” 2019.
• [32] H. Polat and H. D. Mehr, “Classification of pulmonary CT images by using hybrid 3D-deep convolutional neural network architecture, ” Appl. Sci., vol. 9, no. 5, 2019, doi: 10.3390/app9050940.
• [33] E. Matsuyama and D.-Y. Tsai, “Automated Classification of Lung Diseases in Computed Tomography Images Using a Wavelet Based Convolutional Neural Network, ” J. Biomed. Sci. Eng., vol. 11, no. 10, pp. 263–274, 2018, doi: 10.4236/jbise.2018.1110022.
• [34] D. Zhang, L. Zou, X. Zhou, and F. He, “Integrating Feature Selection and Feature Extraction Methods with Deep Learning to Predict Clinical Outcome of Breast Cancer, ” IEEE Access, 2018, doi: 10.1109/ACCESS.2018.2837654.
• [35] A. Masood et al., “Computer-Assisted Decision Support System in Pulmonary Cancer detection and stage classification on CT images, ” J. Biomed. Inform., 2018, doi: 10.1016/j.jbi.2018.01.005.
• [36] Bougouin, W., Dumas, F., Karam, N., Maupain, C., Marijon, E., Lamhaut, L., ... & Cariou, A. (2018). Should we perform an immediate coronary angiogram in all patients after cardiac arrest? Insights from a large French Registry. JACC: Cardiovascular Interventions, 11(3), 249-256.
• [38] K. H. Yu et al., “Predicting non-small cell lung cancer prognosis by fully automated microscopic pathology image features, ” Nat. Commun., 2016, doi: 10.1038/ncomms12474.
• [39] C. E. Rasmussen and C. K. I. Williams, Gaussian Processes for Machine Learning. 2018.
• [40] A. M. Santos, A. O. De Carvalho Filho, A. C. Silva, A. C. De Paiva, R. A. Nunes, and M. Gattass, “Automatic detection of small lung nodules in 3D CT data using Gaussian mixture models, Tsallis entropy and SVM, ” Eng. Appl. Artif. Intell., 2014, doi: 10.1016/j.engappai.2014.07.007.
• [41] R. Helen, N. Kamaraj, K. Selvi, and V. Raja Raman, “Segmentation of pulmonary parenchyma in CT lung images based on 2D Otsu optimized by PSO, ” in 2011 International Conference on Emerging Trends in Electrical and Computer Technology, ICETECT 2011, 2011, doi: 10.1109/ICETECT.2011.5760176.
• [42] J. Bhatt, M. Joshi, and M. Sharma, “Early detection of lung cancer from CT images: nodule segmentation and classification using deep learning, ” 2018, doi: 10.1117/12.2309530.
• [43] E. Adetiba and O. O. Olugbara, “Lung cancer prediction using neural network ensemble with histogram of oriented gradient genomic features, ” Sci. World J., vol. 2015, 2015, doi: 10.1155/2015/786013.
• [44] Noorda, R. A., Naranjo Ornedo, V., & Pons, V. (2017). Performance of Common Clustering Methods in Segmenting Vascular Pathologies in Capsule Endoscopy Images. International Journal of Computer Assisted Radiology and Surgery, 12(1), S22-S23.
• [45] P. Mohamed Shakeel, M. I. Desa, and M. A. Burhanuddin, “Improved watershed histogram thresholding with probabilistic neural networks for lung cancer diagnosis for CBMIR systems, ” Multimed. Tools Appl., 2019, doi: 10.1007/s11042-019-7662-9.
• [46] Y. Xie, J. Zhang, S. Liu, W. Cai, and Y. Xia, “Lung nodule classification by jointly using visual descriptors and deep features, ” in Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), 2017, doi: 10.1007/978-3-319-61188-4_11.
• [47] Y. Liu, H. Wang, Y. Gu, and X. Lv, “Image classification toward lung cancer recognition by learning deep quality model, ” J. Vis. Commun. Image Represent., 2019, doi: 10.1016/j.jvcir.2019.06.012.
• [48] S. Li et al., “Predicting lung nodule malignancies by combining deep convolutional neural network and handcrafted features, ” Phys. Med. Biol., vol. 64, no. 17, 2019, doi: 10.1088/1361-6560/ab326a.
• [49] F. Sahito, P. Zhiwen, J. Ahmed, and R. A. Memon, “Wavelet-integrated deep networks for single image super-resolution, ” Electron., vol. 8, no. 5, pp. 1–16, 2019, doi: 10.3390/electronics8050553.
• [50] K. H.B, T. Sarode, and S. Natu, “Performance Comparison Of Hybrid Wavelet Transforms Formed Using Dct, Walsh, Haar and DKT in Watermarking, ” Int. J. Comput. Sci. Inf. Technol., vol. 7, no. 1, pp. 41–58, 2015, doi: 10.5121/ijcsit.2015.7105.
• [51] R. V. M. Da Nóbrega, S. A. Peixoto, S. P. P. Da Silva, and P. P. R. Filho, “Lung Nodule Classification via Deep Transfer Learning in CT Lung Images, ” in Proceedings - IEEE Symposium on Computer-Based Medical Systems, 2018, doi: 10.1109/CBMS.2018.00050.
• [52] P. Nardelli et al., “Pulmonary Artery-Vein Classification in CT Images Using Deep Learning, ” IEEE Trans. Med. Imaging, 2018, doi: 10.1109/TMI.2018.2833385.
• [53] J. W. Lee, H. W. Lee, J. H. Lee, I. T. Kang, and G. K. Lee, “A study on lung nodule detection using neural networks, ” in IEEE Region 10 Annual International Conference, Proceedings/TENCON, 1999, vol. 2, pp. 1150–1153, doi: 10.1109/TENCON.1999.818629.
• [54] H. Sharma, N. Zerbe, I. Klempert, O. Hellwich, and P. Hufnagl, “Deep convolutional neural networks for automatic classification of gastric carcinoma using whole slide images in digital histopathology, ” Comput. Med. Imaging Graph., 2017, doi: 10.1016/j.compmedimag.2017.06.001.
• [55] S. Srinivas and R. V. Babu, “Learning the Architecture of Deep Neural Networks, ” arXiv Prepr., no. Section 2, pp. 1–13, 2015.
• [56] J. Günther, P. M. Pilarski, G. Helfrich, H. Shen, and K. Diepold, “Intelligent laser welding through representation, prediction, and control learning: An architecture with deep neural networks and reinforcement learning, ” Mechatronics, vol. 34, pp. 1–11, 2016, doi: 10.1016/j.mechatronics.2015.09.004.
• [57] Ferguson, M., Ak, R., Lee, Y. T. T., & Law, K. H. (2017, December). Automatic localization of casting defects with convolutional neural networks. In 2017 IEEE international conference on big data (big data) (pp. 1726-1735). IEEE.