Asiye Merve Nur ERDOĞAN, Tülin ÖZTÜRK, Muhammed TALO

Yeni bir Evrişimsel Sinir Ağı Modeli Kullanarak Bilgisayarlı Tomografi Görüntülerinden Akciğer Kanseri Tespiti

Akciğer kanseri, ülkemizde ve dünyada yaygın bir şekilde görülen kanser tipidir ve kansere bağlı ölümlerde ilk sırada yer almaktadır. Akciğer kanserinin erken teşhisi, hastalık seyri hakkında daha bilinçli ilerlemeyi sağlar ve hastanın sağ kalım durumu açısından hayati bir önem taşımaktadır. Son zamanlarda teknolojinin gelişmesiyle birlikte yapay zekâ ve derin öğrenme tabanlı sistemler; Bilgisayarlı Tomografi (BT), Manyetik Rezonans (MR) vb. tıbbi görüntüleme sistemlerinden elde edilmiş verileri kullanarak hastalık teşhisinde hekimlere önemli destek sağlamaktadır. Bu çalışmada akciğer kanserinin BT görüntüleri kullanarak yeni bir Evrişimli Sinir Ağı (ESA) modeli önerilmiştir. Önerilen ESA modelinin sınıflandırma sonuçları, literatürde bulunan diğer ön eğitimli derin öğrenme modellerine göre daha başarılı olduğu için tercih ettiğimiz ResNeXt derin öğrenme modelinin sonuçları ile karşılaştırılmıştır. Modellerin eğitimi ve test aşamaları için açık erişimli akciğer BT görüntülerinin bulunduğu bir veri seti kullanılmıştır. Çalışma sonucunda, önerilen ESA modelinin %99 doğruluk oranı ile ResNeXt mimarisine göre daha yüksek performans sergilediği gözlemlenmiştir. Ayrıca mevcut çalışmadaki görüntülerde herhangi bir özellik çıkarımı yöntemi kullanılmadan görüntüler ham hali ile sınıflandırılmıştır. Ve önerilen ESA modelinin, literatürde yapılan benzer çalışmalarda kullanılan yöntemlere göre daha az katman sayısının olmasının yanında sınıflandırma başarısının da daha yüksek olduğu gözlemlenmiştir.

Anahtar Kelimeler:

Derin Öğrenme, Evrişimli Sinir Ağı, ResNeXt, Akciğer Kanseri, Akciğer BT Görüntüleri

Lung Cancer Detection from Raw Computed Tomography Images Using a Novel Convolutional Neural Network Model

Lung cancer is a common health problem in our country and in the world, and it ranks first in cancer-related deaths. Early diagnosis of lung cancer is of vital importance in terms of more informed progress about the course of the disease and survival of the patient. Recently, with the development of technology, artificial intelligence and deep learning-based systems; by using data obtained from medical imaging systems such as Computed Tomography (CT), Magnetic Resonance (MR), it provides some convenience to experts to diagnose the disease. In this study, a new Convolutional Neural Network (CNN) model is proposed to classify cancerous and normal lung CT images. The classification results of the proposed ESA model and the pre-trained ResNeXt deep learning model were compared. A publicly available lung CT images were used for training and testing of the models. In the training and testing stages of the model, the images were classified as raw without using any image preprocessing steps. As a result of the study, it has been observed that the proposed ESA model performs better than the ResNeXt architecture, with an accuracy of 99%.

Keywords:

Deep learning, Convolutional neural network, ResNeXt, Lung cancer, Lung CT image,

PDF

___

Rosado-de-Christenson, M. L., Templeton, P. A., & Moran, C. A. (1994). Bronchogenic carcinoma: radiologic-pathologic correlation. Radiographics, 14(2), 429-446.
Khuder, S. A. (2001). Effect of cigarette smoking on major histological types of lung cancer: a meta-analysis. Lung cancer, 31(2-3), 139-148.
Sathyakumar, K., Munoz, M., Singh, J., Hussain, N., & Babu, B. A. (2020). Automated lung cancer detection using artificial intelligence (AI) deep convolutional neural networks: A narrative literature review. Cureus, 12(8).
Joshua, E. S., Bhattacharyya, D., Chakkravarthy, M., & Byun, Y. C. (2021). 3D CNN with visual insights for early detection of lung cancer using gradient-weighted class activation. Journal of Healthcare Engineering, 2021.doi: 10.1155/2021/6695518
An, Y., Hu, T., Wang, J., Lyu, J., Banerjee, S., & Ling, S. H. (2019, July). Lung Nodule Classification using A Novel Two-stage Convolutional Neural Networks Structure’. In 2019 41st Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC) (pp. 6259-6262). IEEE. doi: 10.1109/EMBC.2019.8857744.
Devi, T. A. M., & Jose, V. M. (2021). Three Stream Network Model for Lung Cancer Classification in the CT Images. Open Computer Science, 11(1), 251-261.doi: 10.1515/comp-2020-0145
https://image-net.org/download.php, Son Erişim Tarihi: 22.04.2022
Xie, S., Girshick, R., Dollár, P., Tu, Z., & He, K. (2017). Aggregated residual transformations for deep neural networks. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 1492-1500). doi: 10.48550/arXiv.1611.05431
“Chest CT-Scan images Dataset | Kaggle” Online: https://www.kaggle.com/datasets/mohamedhanyyy/chest-ctscan-images, Son Erişim Tarihi: 30.03.2022
https://towardsdatascience.com/resnets-residual-blocks-deep-residual-learning-a231a0ee73d2F, Son Erişim Tarihi: 21.04.2022
https://www.jeremyjordan.me/convnet-architectures/#resnext, Son Erişim Tarihi: 22.04.2022