Akciğer nodül özelliklerinin tahmininde çeşitli sınıflama stratejilerinin incelenmesi

Nodül özellikleri, akciğer nodüllerinin değerlendirilmesinde kullanılan, genelde uzman görüşüne göre öznel değerlendirmelerdir. Bunlardan en bilineni ve çalışmalarda tahmin için en çok kullanılanı habislik derecesidir. Literatürde yapılan sınıflama çalışmalarında, nodül görünümü ve morfolojik yapısı üzerinden çıkarılan geleneksel özniteliklerin yanında derin öznitelikler de kullanılmaktadır. Bu çalışmada geleneksel öznitelikler, derin öznitelikler ve bunların kombinasyonları nodül özelliklerinin tahmininde kullanılmıştır. Dört farklı yapıdaki sınıflama algoritması nodül özelliklerinin tahmini için değerlendirilmiştir. Nodül özelliklerinin referans veri kümeleri, doktorların öznel değerlendirmelerinden çoğunluk oylama yöntemi ile oluşturulmuştur. Oluşturulan bu veri kümeleri büyük oranda dengesiz sınıf dağılımına sahiptir. Bu durumun sınıflama sonuçlarına etkisini incelemek için veri dengeleme prosedürü uygulanmıştır. Bu tüm yöntemlerin kombinasyonlarıyla, farklı sınıflama modellerinin sınıflama başarımına, duyarlılığa ve belirliliğe etkileri incelenmiştir. Deneyler sonucunda, ulaşılmak istenen başarım kriterine göre, kullanılacak özniteliklerden sınıflama algoritmasına kadar, sınıflama stratejisinin özel olarak belirlenmesi gerektiği tespit edilmiştir.

Anahtar Kelimeler:

nodül özellikleri, akciğer nodülleri;nakil öğrenme;derin öznitelikler; görüntü işleme

PDF

___

Ferlay, J., Soerjomataram, I., Dikshit, R., Eser, S., Mathers, C., Rebelo, M., Parkin, D.M., Forman, D. ve Bray, F., “Cancer incidence and mortality worldwide: Sources, methods and major patterns in GLOBOCAN 2012”, International Journal of Cancer, Cilt 136, No 5, E359-E386, 2015.
Austin, J.H.M., Muller, N.L., Friedman, P.J., Hansell, D.M., Naidich, D.P., RemyJardin, M., Webb, W.R. ve Zerhouni, E.A., “Glossary of terms for CT of the lungs: Recommendations of the Nomenclature Committee of the Fleischner Society”, Radiology, Cilt 200, No 2, 327-331, 1996.
Armato, S.G., McLennan, G., Bidaut, L., McNitt-Gray, M.F., Meyer, C.R., Reeves, A.P., Zhao, B.S., Aberle, D.R., Henschke, C.I., Hoffman, E.A., Kazerooni, E.A., MacMahon, H., van Beek, E.J.R., Yankelevitz, D., Biancardi, A.M., Bland, P.H., Brown, M.S., Engelmann, R.M., Laderach, G.E., Max, D., Pais, R.C., Qing, D.P.Y., Roberts, R.Y., Smith, A.R., Starkey, A., Batra, P., Caligiuri, P., Farooqi, A., Gladish, G.W., Jude, C.M., Munden, R.F., Petkovska, I., Quint, L.E., Schwartz, L.H., Sundaram, B., Dodd, L.E., Fenimore, C., Gur, D., Petrick, N., Freymann, J., Kirby, J., Hughes, B., Casteele, A.V., Gupte, S., Sallam, M., Heath, M.D., Kuhn, M.H., Dharaiya, E., Burns, R., Fryd, D.S., Salganicoff, M., Anand, V., Shreter, U., Vastagh, S., Croft, B.Y. ve Clarke, L.P., “The Lung Image Database Consortium, (LIDC) and Image Database Resource Initiative (IDRI): A Completed Reference Database of Lung Nodules on CT Scans”, Medical Physics, Cilt 38, No 2, 915-931, 2011.
van Klaveren, R.J., Oudkerk, M., Prokop, M., Scholten, E.T., Nackaerts, K., Vernhout, R., van Iersel, C.A., van den Bergh, K.A.M., van't Westeinde, S., van der Aalst, C., Thunnissen, E., Xu, D.M., Wang, Y., Zhao, Y.R., Gietema, H.A., de Hoop, B.J., Groen, H.J.M., de Bock, G.H., van Ooijen, P., Weenink, C., Verschakelen, J., Lammers, J.W.J., Timens, W., Willebrand, D., Vink, A., Mali, W. ve de Koning, H.J., “Management of Lung Nodules Detected by Volume CT Scanning”, New England Journal of Medicine, Cilt 361, No 23, 2221-2229, 2009.
Jabon, S.A., Raicu, D.S. ve Furst, J.D.“Content-based versus semantic-based retrieval: an LIDC case study”, in SPIE Medical Imaging. 2009. International Society for Optics and Photonics.
Vinay, K., Rao, A. ve Kumar, G.H., “Predication of Lung Nodule Characteristic Rating using Best Classifier Model”, International Journal of Computer Applications, Cilt 56, No 18, 2012.
Zinovev, D., Furst, J. ve Raicu, D.“Building an ensemble of probabilistic classifiers for lung nodule interpretation”, in Machine Learning and Applications and Workshops (ICMLA), 2011 10th International Conference on. 2011. IEEE.
Zinovev, D., Raicu, D., Furst, J. ve Armato III, S.G., “Predicting radiological panel opinions using a panel of machine learning classifiers”, Algorithms, Cilt 2, No 4, 1473-1502, 2009.
Kaya, A. ve Can, A.B., “A weighted rule based method for predicting malignancy of pulmonary nodules by nodule characteristics”, Journal of Biomedical Informatics, Cilt 56, 69-79, 2015.
Kaya, A. ve Can, A.B.“eFis: A Fuzzy Inference Method for Predicting Malignancy of Small Pulmonary Nodules”, in International Conference Image Analysis and Recognition. 2014. Springer.
Li, G., Kim, H., Tan, J.K., Ishikawa, S., Hirano, Y., Kido, S. ve Tachibana, R.“Semantic characteristics prediction of pulmonary nodule using Artificial Neural Networks”, in 2013 35th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC). 2013. IEEE.
Lee, M.C., Boroczky, L., Sungur-Stasik, K., Cann, A.D., Borczuk, A.C., Kawut, S.M. ve Powell, C.A., “Computer-aided diagnosis of pulmonary nodules using a two-step approach for feature selection and classifier ensemble construction”, Artificial Intelligence in Medicine, Cilt 50, No 1, 43-53, 2010.
Zhao, L., Lee, M.C., Boroczky, L., Vloemans, V. ve Opfer, R.“Comparison of computer-aided diagnosis performance and radiologist readings on the LIDC pulmonary nodule dataset”, in Medical Imaging. 2008. International Society for Optics and Photonics.
El-Baz, A., Beache, G.M., Gimel'farb, G., Suzuki, K., Okada, K., Elnakib, A., Soliman, A. ve Abdollahi, B., “Computer-aided diagnosis systems for lung cancer: challenges and methodologies”, International journal of biomedical imaging, Cilt 2013, 2013.
Hua, K.L., Hsu, C.H., Hidayati, H.C., Cheng, W.H. ve Chen, Y.J., “Computer-aided classification of lung nodules on computed tomography images via deep learning technique”, Oncotargets and Therapy, Cilt 8, 2015-2022, 2015.
Roth, H.R., Lu, L., Liu, J.M., Yao, J.H., Seff, A., Cherry, K., Kim, L. ve Summers, R.M., “Improving Computer-Aided Detection Using Convolutional Neural Networks and Random View Aggregation”, Ieee Transactions on Medical Imaging, Cilt 35, No 5, 1170-1181, 2016.
Dou, Q., Chen, H., Yu, L.Q., Zhao, L., Qin, J., Wang, D.F., Mok, V.C.T., Shi, L. ve Heng, P.A., “Automatic Detection of Cerebral Microbleeds From MR Images via 3D Convolutional Neural Networks”, Ieee Transactions on Medical Imaging, Cilt 35, No 5, 1182-1195, 2016.
Cheng, J.Z., Ni, D., Chou, Y.H., Qin, J., Tiu, C.M., Chang, Y.C., Huang, C.S., Shen, D. ve Chen, C.M., “Computer-Aided Diagnosis with Deep Learning Architecture: Applications to Breast Lesions in US Images and Pulmonary Nodules in CT Scans”, Scientific Reports, Cilt 6, 2016.
Pan, W.K., “A survey of transfer learning for collaborative recommendation with auxiliary data”, Neurocomputing, Cilt 177, 447-453, 2016.
Shin, H.C., Roth, H.R., Gao, M.C., Lu, L., Xu, Z.Y., Nogues, I., Yao, J.H., Mollura, D. ve Summers, R.M., “Deep Convolutional Neural Networks for Computer-Aided Detection: CNN Architectures, Dataset Characteristics and Transfer Learning”, Ieee Transactions on Medical Imaging, Cilt 35, No 5, 1285-1298, 2016.
Deng, J., Dong, W., Socher, R., Li, L.J., Li, K. ve Li, F.F., “ImageNet: A Large-Scale Hierarchical Image Database”, Cvpr: 2009 Ieee Conference on Computer Vision and Pattern Recognition, Vols 1-4, 248-255, 2009.
Krizhevsky, A., Sutskever, I. ve Hinton, G.E.“Imagenet classification with deep convolutional neural networks”, in Advances in neural information processing systems. 2012.
Cortes, C. ve Vapnik, V., “Support-Vector Networks”, Machine Learning, Cilt 20, No 3, 273-297, 1995.
Breiman, L., “Random forests”, Machine Learning, Cilt 45, No 1, 5-32, 2001.
Fix, E. ve Hodges, J.L., “Discriminatory Analysis - Nonparametric Discrimination - Consistency Properties”, International Statistical Review, Cilt 57, No 3, 238-247, 1989.
Freund, Y. ve Schapire, R.E., “A decision-theoretic generalization of on-line learning and an application to boosting”, Journal of Computer and System Sciences, Cilt 55, No 1, 119-139, 1997.
He, H., Bai, Y., Garcia, E.A. ve Li, S.“ADASYN: Adaptive synthetic sampling approach for imbalanced learning”, in Neural Networks, 2008. IJCNN 2008.(IEEE World Congress on Computational Intelligence). IEEE International Joint Conference on. 2008. IEEE.
Haralick, R.M. ve Shapiro, L.G., Computer and Robot Vision: Vol. 1, Cilt 1, Addison-Wesley, 1992.
Shen, W., Zhou, M., Yang, F., Dong, D., Yang, C., Zang, Y. ve Tian, J., “Learning from Experts: Developing Transferable Deep Features for Patient-Level Lung Cancer Prediction”, Medical Image Computing and Computer-Assisted Intervention – MICCAI 2016: 19th International Conference, Athens, Greece, October 17-21, 2016, Proceedings, Part II, Editörler: Ourselin, S., Joskowicz, L., Sabuncu, M.R., Unal, G. ve Wells, W., Springer International Publishing, Cham, 124-131, 2016.
Raykar, V.C., Yu, S.P., Zhao, L.H., Valadez, G.H., Florin, C., Bogoni, L. ve Moy, L., “Learning From Crowds”, Journal of Machine Learning Research, Cilt 11, 1297-1322, 2010.