KaydedilenlerDerginizi ekleyin

Dergiler / 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
Sayfa
709–726
Yayın Tarihi
2019-05-23
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

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

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Nodül özellikleri, akciğer nodüllerinin değerlendirilmesinde kullanılan, genelde uzman görüşüne göre öznel değerlendirmelerdir.
📊
Temel Bulgular & Veri:Dört farklı yapıdaki sınıflama algoritması nodül özelliklerinin tahmini için değerlendirilmiştir.
💡
Sonuç & Katkı:Deneyler sonucunda, ulaşılmak istenen başarım kriterine göre, kullanılacak özniteliklerden sınıflama algoritmasına kadar, sınıflama stratejisinin özel olarak belirlenmesi gerektiği tespit edilmiştir.
🔬Tür:Literatür & Derleme Çalışması
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler: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.

🔖

Bu Makaleye Atıf Yap

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

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (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