SavedAdd your journal

Journals / Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi / 2024 / Cilt: 39 Sayı: 1

Early diagnosis of lung cancer using deep learning and uncertainty measures

Derin öğrenme ve belirsizlik ölçeği ile akciğer kanserinin erken teşhisi

Sema ÜZÜLMEZ
Mehmet Akif ÇİFÇİ
Pages
385–400
Publication Date
2023-08-21
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)

Böylece akciğer hastalıklarının BT görüntülerinde kanser olup olmadığı, kanser ise hangi aşamada olduğu konusunda ön bilgi elde edilebilmektedir.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Derin Öğrenmenin (DÖ) teknikleriyle erken kanser tanısı son dönemlerde araştırmacılar arasında en çok üzerinde durulan konu olmuştur.
📊
Key Findings & Data:Akciğer kanseri sadece 2019 yılında tahmini 1,76 milyon insanın ölümden sorumludur.
💡
Conclusion & Impact:Böylece akciğer hastalıklarının BT görüntülerinde kanser olup olmadığı, kanser ise hangi aşamada olduğu konusunda ön bilgi elde edilebilmektedir.
🔬Design:Research Article
📍Scope:2019 Verileri
⚙️Variables:Bilgisayarlı Tomografi (BT) · Akciğer kanseri · Derin Öğrenme (DÖ)

Özet

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.

🔖

Cite This Article

ÜZÜLMEZ, S., ÇİFÇİ, M. A. (2023). Early diagnosis of lung cancer using deep learning and uncertainty measures. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, Cilt: 39 Sayı: 1, 385–400. https://ajindex.com/articles/958635

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (14)

  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.2017.226