AI Summary & Key Takeaways
AI InsightThe results demonstrate that the proposed approach can provide a confidential, cheap, and fast decision support system for cervical cancer diagnosis.
📌 3 Key Takeaways
Abstract
Cervical cancer is one of the prevalent type of cancer among women although its treatment success is the highest when compared to other types of cancer once diagnosed. Automatic classification of cervical cancer is essential to accelerate the treatment process and increase the survival rate of the patients. Inadequate awareness, deficiency of medical opportunities, and expensive screening procedures increase the death rates. This common cancer is frequently screened by several imaging tests including Pap smear, cervicography and colposcopy. The decisions are made by the help of these tests, but structural complexities of cervical cells may complicate the decision. Recent developments in neural networks show remarkable achievements in disease diagnosis. Also, transfer learning draws the attention of most of the researchers because of its advantages. This paper presents a transfer learning based cervical cancer detection method for early diagnosis. Pap smear images were preprocessed using median filter before training the deep learning model in order to remove noise from the images for better classification. Cancerous and non-cancerous cervical cells are distinguished through pre-trained networks. Five popular pre-trained networks which are SqueezeNet, VGG-19, AlexNet, ResNet-50 and InceptionV3 have been utilized and compared for the problem. SqueezeNet achieved the best validation accuracy (96.90\%) when compared to other neural structures and this performance makes the proposed method the best among other unsupervised approaches in the literature for cervical cancer diagnosis. Additional experiments also proved the success of the proposed model for the classification of two similar classes, namely Parabasal and Metaplastic cells. The results demonstrate that the proposed approach can provide a confidential, cheap, and fast decision support system for cervical cancer diagnosis.
Özet
Rahim ağzı kanseri, teşhis edildikten sonra diğer kanser türlerine kıyasla tedavi başarısı en yüksek olanıdır ve kadınlar arasında en sık görülen kanser türlerinden biridir. Rahim ağzı kanserinin otomatik sınıflandırılması, tedavi sürecini hızlandırmak ve hastaların hayatta kalma oranlarını artırmak için çok önemlidir. Yetersiz farkındalık, tıbbi imkânların yetersizliği ve pahalı tarama prosedürleri ölüm oranlarını artırmaktadır. Bu yaygın kanser sıklıkla Pap smear, servikografi ve kolposkopi gibi çeşitli görüntüleme testleri ile taranır. Kararlar bu testler yardımıyla verilir, ancak servikal hücrelerin yapısal karmaşıklıkları kararı zorlaştırabilir. Sinir ağlarındaki son gelişmeler, hastalık teşhisinde dikkate değer başarılar göstermektedir. Ayrıca, transfer öğrenme avantajlarından dolayı çoğu araştırmacının dikkatini çekmektedir. Bu makale erken teşhis için transfer öğrenme tabanlı bir serviks kanseri tespit yöntemi sunmaktadır. Pap smear görüntüleri, daha iyi sınıflandırma için, görüntülerden gürültüyü çıkarmak amacıyla derin öğrenme modelinin eğitiminden önce medyan filtresi kullanılarak ön işleme tabi tutulmuştur. Kanserli ve kanserli olmayan servikal hücreler, önceden eğitilmiş ağlar aracılığıyla ayırt edilir. SqueezeNet, VGG-19, AlexNet, ResNet-50 ve InceptionV3 isimli beş popüler önceden eğitilmiş ağ kullanılmış ve problem için karşılaştırılmıştır. SqueezeNet diğer sinirsel yapılarla karşılaştırıldığında en iyi test doğruluğunu (%96.90) elde etmiştir ve bu performans önerilen yöntemi serviks kanseri teşhisi için literatürdeki diğer denetimsiz yaklaşımlar arasında en iyisi yapmaktadır. Ek deneyler, Parabasal ve Metaplastik hücreler olmak üzere iki benzer sınıfın sınıflandırılması için önerilen modelin başarısını da kanıtladı. Sonuçlar, önerilen yaklaşımın rahim ağzı kanseri teşhisi için güvenilir, ucuz ve hızlı bir karar destek sistemi sağlayabileceğini göstermektedir.