Journals / Konya Mühendislik Bilimleri Dergisi / 2019 / Cilt: 7 Sayı: 1
A Deep Feature Based Decision Support System for Breast Cancer Diagnosis
- Pages
- 213–227
- DOI
- —
Abstract
The breast cancer is the second leading cause of cancer deaths among women after lung cancer. Early diagnosis is quite significant with breast cancer treatment. Mammography is the most commonly used imaging technique for the early detection of breast cancer. Researches have been shown that the mortality rate can decrease by 30% for women who have mammogram regularly over 50 years of age (Jadoon et al. 2017). However, interpreting mammograms is often subjective. In this study, an integrated system for automated detection, classification, and content based retrieval of breast masses is presented. In this manner, physician’s decisions on mass were expressed by high-level deep features and low-level feature set. In proposed framework, to extract low-level features, a graph based visual saliency (GBVS) method is used for mass detection and the nonsubsampled contourlet transform (NSCT) and eig(Hess)-HOG are used for feature extraction. In addition, high-level convolutional neural network features have been used. Then, two extreme learning machine (ELM) classifiers rely on the features mentioned above is employed to predict category of test images. And outputs of classifiers based on each feature were examined together to define the kind of test image. The image retrieval and classification performances are evaluated and compared on IRMA mammographic dataset by using both the precision-recall (PR) and classification accuracies. Experimental results demonstrate the effectiveness of the proposed system and the viability of a real-time clinical application.
Özet
Meme kanseri, akciğer kanserinden sonra kadınlarda kanser ölümlerinin ikinci önemli sebebidir. Erken tanı, meme kanseri tedavisinde oldukça önemlidir. Mamografi, meme kanserinin erken teşhisinde en çok kullanılan görüntüleme tekniğidir. Yapılan araştırmalar, 50 yaşın üstünde düzenli mamografi çektirmenin kadınlar için ölüm oranını %30 oranında azaltabileceğini göstermektedir. Ancak, mamogramların yorumlanması genellikle özneldir. Bu çalışmada, göğüs kitlelerinin otomatik tespiti, sınıflandırılması ve içerik tabanlı erişimi için entegre bir sistem sunulmuştur. Bu kapsamda, hekimlerin kitle hakkındaki kararları, üst düzey derin öznitelikler ve düşük seviye öznitelik seti ile ifade edilmiştir. Önerilen sistemde düşük seviyeli öznitelikleri elde etmek için, kitle tespitinde graf tabanlı görsel çıkıntı yöntemi kullanılmış ve öznitelik çıkarımı için örneklemesiz contourlet dönüşümü ve eig(Hess)-HOG yöntemleri kullanılmıştır. Ayrıca, yüksek seviyeli evrişimsel sinir ağı öznitelikleri kullanılmıştır. Ardından, test görüntülerinin kategorisini tahmin etmek için yukarıda bahsedilen özniteliklere dayalı iki aşırı öğrenme makinesi (AÖM) sınıflandırıcısı kullanılmıştır. Farklı özniteliklere dayalı sınıflandırıcıların sonuçları, test görüntülerinin türünü belirlemek için analiz edilmiştir. Görüntü erişimi ve sınıflandırma performansları, hem kesinlik-duyarlılık hem de sınıflandırma doğrulukları kullanarak IRMA mammographic patches veri setinde değerlendirilip ve karşılaştırılmıştır. Deneysel sonuçlar, önerilen sistemin etkililiğini ve gerçek zamanlı klinik uygulamalardaki kullanılabilirliğini göstermektedir.