SavedAdd your journal

Journals / Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi / 2019 / Cilt: 34 - Sayı: 2

Akciğer nodül özelliklerinin tahmininde çeşitli sınıflama stratejilerinin incelenmesi

Aydın KAYA
Ali Seydi KEÇELİ
Ahmet Burak CAN
Pages
709–726
Publication Date
2019-05-23
DOI
—
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

Deneyler sonucunda, ulaşılmak istenen başarım kriterine göre, kullanılacak özniteliklerden sınıflama algoritmasına kadar, sınıflama stratejisinin özel olarak belirlenmesi gerektiği tespit edilmiştir.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Nodül özellikleri, akciğer nodüllerinin değerlendirilmesinde kullanılan, genelde uzman görüşüne göre öznel değerlendirmelerdir.
📊
Key Findings & Data:Dört farklı yapıdaki sınıflama algoritması nodül özelliklerinin tahmini için değerlendirilmiştir.
💡
Conclusion & Impact:Deneyler sonucunda, ulaşılmak istenen başarım kriterine göre, kullanılacak özniteliklerden sınıflama algoritmasına kadar, sınıflama stratejisinin özel olarak belirlenmesi gerektiği tespit edilmiştir.
🔬Design:Review & Systematic Survey
📍Scope:Comprehensive Sample
⚙️Variables:nodül özellikleri · akciğer nodülleri · nakil öğrenme

Özet

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.

🔖

Cite This Article

KAYA, A., KEÇELİ, A. S., CAN, A. B. (2019). Akciğer nodül özelliklerinin tahmininde çeşitli sınıflama stratejilerinin incelenmesi. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, Cilt: 34 - Sayı: 2, 709–726. https://ajindex.com/articles/19956

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (6)

  1. 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”,
  2. International Journal of Cancer, Cilt 136, No 5, E359-E386, 2015.
  3. 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.
  4. 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.
  5. 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.
  6. Zinovev, D., Furst, J. ve Raicu, D.“Building an ensemble of prob