Derin Öğrenme Metodu ve Ayrık Dalgacık Dönüşümü Kullanarak BT Görüntülerinden Akciğer Kanseri Teşhisi

Discrete Wavelet Transform and Deep Learning Model for Diagnosis of Lung Cancer from CT Images

Özet

Derin Öğrenmenin (DÖ) teknikleriyle erken kanser tanısı son dönemlerde araştırmacılar arasında en çok üzerinde durulan konu olmuştur. 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. ResNet152V2, MobileNet, VGG-16 ve Inception v4, BT görüntülerine uygulandıktan sonra akciğer kanseri erken tanısı için ADD kullanılarak optimize edilmiştir. Karşılaştırmalı sonuçlar, ADD ile önerilen ResNet152V2 modelinin %91,89 duyarlılık, %94,16 özgüllük ve %97,52 doğrulukta sonuç verdiği belirlenmiştir.

Abstract

Recently, researchers have placed the greatest emphasis on using Deep Learning (DL) approaches for early cancer detection. In this study, A Computed Tomography (CT) scan was used to find the position of the tumor and identify the level of cancer in the body. The 6053 lung tomography dataset was processed using the Discrete Wavelet Transform (DWT) technique in conjunction with the DL approach (data source, age group, geographical region, and sensitive data were excluded). The diagnosis and prognosis of a cancer type at an early stage have become necessary in cancer research since they simplify the following clinical care of patients. Targeted was the significance of categorizing cancer patients as benign or malignant. Using computed tomography (CT) images and image preparation procedures, DWT is used to extract features. The gathered data served as input data for processing by the created architectures. Utilizing DWT, ResNet152V2, MobileNet, VGG-16, and Inception v4 have been optimized for early lung cancer detection. Comparative findings revealed that the ResNet152V2 model presented by DWT had 91.89 percent sensitivity, 94.16 percent specificity, and 97.5 percent accuracy.