DOI: https://doi.org/10.20535/SRIT.2308-8893.2019.4.09

Використання згорткових нейронних мереж для діагностування раку молочної залози

Maryam Naderan, Yuriy Zaychenko, Amedeo Napoli

Анотація


Протягом останніх кількох років згорткові нейронні мережі широко використовуються в комп’ютерній діагностиці та аналізі медичних зображень. Основна ідея роботи полягала в розробленні модифікованої архітектури CNN для досягнення більшої чутливості і точності для виявлення раку молочної залози на ранніх стадіях порівняно з уже існуючими методами. Для цього перед навчанням CNN розглянуто декілька факторів, таких як попереднє оброблення даних, модель, набір даних і т.ін. У запропонованій моделі використовувалися гіперпараметри dropout rate 0,2, epoch 38 і batch size 33, а також два повнозв’язні шари в модифікованій моделі. Середній показник повноти (чутливості) в останніх працях становить 74%. Точність і повнота запропонованої моделі класифікації раку молочної залози склала 66,66% і 85,7% відповідно.

Ключові слова


згорткові нейронні мережі; глибоке навчання; комп'ютерне виявлення; діагностика раку молочної залози; класифікація

Повний текст:

PDF (English)

Посилання


Breast cancer: prevention and control. — Available at: https://www.who. int/cancer/detection/breastcancer/en/

Yassin N. Machine learning techniques for breast cancer computer aided diagnosis using different image modalities: A systematic review / N. Yassin, S. Omran, E. El Houby, H. Allam // Computer Methods and Programs in Biomedicine. — 2018. — Vol. 156. — P. 25–45.

Keras: The Python Deep Learning library. — Available at: https://keras.io/

Sharma S. Computer-aided diagnosis of malignant mammograms using zernike moments and SVM / S. Sharma, P. Khanna // Journal of Digital Imaging. — 2015. — 28 (1). — P. 77–90.

Beheshti S.M.A. An efficient fractal method for detection and diagnosis of breast masses in mammograms / S.M.A. Beheshti et al. // Journal of Digital Imaging. — 2014. — 27 (5). — P. 661–669.

Azar A.T. Decision tree classifiers for automated medical diagnosis / A.T. Azar, S.M. El-Metwally // Neural Comput. Appl. — 2013. — 23 (7). — P. 2387–2403.

Jian W. Computer-aided diagnosis of breast microcalcifications based on dual-tree complex wavelet transform / W. Jian, X. Sun, S. Luo // Biomed. Eng. Online. — 2012. — 11 (1). — p. 96.

Hiba A. Using Machine Learning Algorithms for Breast Cancer Risk Prediction and Diagnosis / A. Hiba, M. Hajar, M. Hassan, N. Thomas // The 6th International Symposium on Frontiers in Ambient and Mobile Systems. Procedia Computer Science 83. — 2016. — P. 1064–1069.

Sharmaa H. Deep convolutional neural networks for automatic classification of gastric carcinoma using whole slide images in digital histopathology / H. Sharmaa, N. Zerbe, I. Klempert et al. // Computerized Medical Imaging and Graphics.— 2017. — 61. — P. 2–13.

Mohammad M. A Hybrid Computer-aided-diagnosis System for Prediction of Breast Cancer Recurrence (HPBCR) Using Optimized Ensemble Learning / M. Mohammad, M. Hamid, M. Marjan et al. // Computational and Structural Biotechnology Journal. — 2017. — 15. — P. 75–85.

Shen Li. Deep Learning to Improve Breast Cancer Early Detection on Screening Mammography / Li Shen, Laurie R. Margolies, Joseph H. Rothstein et al. Published online Mar 15. — doi: 10.1038/s41598-018-22437-z. 2018.

K-Fold Cross Validation. — Available at: https://medium.com/ datadriveninvestor/ K-fold -cross-validation-6b8518070833

Rakhlin A. Deep Convolutional Neural Networks for Breast Cancer Histology Image Analysis / A. Rakhlin, A. Shvets, V. Iglovikov. — ICIAR 2018 Grand Challenge. arXiv:1802.00752v2. 2018.

An Intuitive Explanation of Convolutional Neural Networks. — Available at: https://ujjwalkarn.me/2016/08/11/intuitive-explanation-convnets/

Shin Hoo-Chang. Deep Convolutional Neural Networks for Computer-Aided Detection: CNN Architectures, Dataset Characteristics and Transfer Learning / Hoo-Chang Shin, Holger R. Roth, Mingchen Gao et al. // IEEE Transactions on medical imaging. — 2016. — Vol. 35, N 5.

Breast cancer dataset from breakhis. — Available at: https://www.kaggle. com/kritika397/breast-cancer-dataset-from-breakhis

Bioimaging Challenge 2015 Breast Histology Dataset. — Available at: https://rdm.inesctec.pt/dataset/nis-2017-003

Breast histopathology. — Available at: https://www.kaggle.com/ paultimothymooney/breast-histopathology-images#IDC_regular_ps50_idx5.zip

Sharmaa H. Deep convolutional neural networks for automatic classification of gastric carcinoma using whole slide images in digital histopathology / H. Sharmaa, N. Zerbe, I. Klempert // Computerized Medical Imaging and Graphics. — 2017. — 61. — P. 2–13.

Image Preprocessing. — Available at: https://keras.io/preprocessing/image/


Пристатейна бібліографія ГОСТ


1. Breast cancer: prevention and control. — Available at: https://www.who.int/cancer/detection/breastcancer/en/

2. Yassin N. Machine learning techniques for breast cancer computer aided diagnosis using different image modalities: A systematic review / N. Yassin, S. Omran, E. El Houby, H. Allam // Computer Methods and Programs in Biomedicine. — 2018. — Vol. 156. — P. 25–45.

3. Keras: The Python Deep Learning library. — Available at: https://keras.io/

4. Sharma S. Computer-aided diagnosis of malignant mammograms using zernike moments and SVM / S. Sharma, P. Khanna // Journal of Digital Imaging. — 2015. — 28 (1). — P. 77–90.

5. Beheshti S.M.A. An efficient fractal method for detection and diagnosis of breast masses in mammograms / S.M.A. Beheshti et al. // Journal of Digital Imaging. — 2014. — 27 (5). — P. 661–669.

6. Azar A.T. Decision tree classifiers for automated medical diagnosis / A.T. Azar, S.M. El-Metwally // Neural Comput. Appl. — 2013. — 23 (7). — P. 2387–2403.

7. Jian W. Computer-aided diagnosis of breast microcalcifications based on dual-tree complex wavelet transform / W. Jian, X. Sun, S. Luo // Biomed. Eng. Online. — 2012. — 11 (1). — p. 96.

8. Hiba A. Using Machine Learning Algorithms for Breast Cancer Risk Prediction and Diagnosis / A. Hiba, M. Hajar, M. Hassan, N. Thomas // The 6th International Symposium on Frontiers in Ambient and Mobile Systems. Procedia Computer Science 83. — 2016. — P. 1064–1069.

9. Sharmaa H. Deep convolutional neural networks for automatic classification of gastric carcinoma using whole slide images in digital histopathology / H. Sharmaa, N. Zerbe, I. Klempert et al. // Computerized Medical Imaging and Graphics.— 2017. — 61. — P. 2–13.

10. Mohammad M. A Hybrid Computer-aided-diagnosis System for Prediction of Breast Cancer Recurrence (HPBCR) Using Optimized Ensemble Learning / M. Mohammad, M. Hamid, M. Marjan et al. // Computational and Structural Biotechnology Journal. — 2017. — 15. — P. 75–85.

11. Shen Li. Deep Learning to Improve Breast Cancer Early Detection on Screening Mammography / Li Shen, Laurie R. Margolies, Joseph H. Rothstein et al. Published online Mar 15. — doi: 10.1038/s41598-018-22437-z. 2018.

12. K-Fold Cross Validation. — Available at: https://medium.com/ datadriveninvestor/ K-fold -cross-validation-6b8518070833

13. Rakhlin A. Deep Convolutional Neural Networks for Breast Cancer Histology Image Analysis / A. Rakhlin, A. Shvets, V. Iglovikov. — ICIAR 2018 Grand Challenge. arXiv:1802.00752v2. 2018.

14. An Intuitive Explanation of Convolutional Neural Networks. — Available at: https://ujjwalkarn.me/2016/08/11/intuitive-explanation-convnets/

15. Shin Hoo-Chang. Deep Convolutional Neural Networks for Computer-Aided Detection: CNN Architectures, Dataset Characteristics and Transfer Learning / Hoo-Chang Shin, Holger R. Roth, Mingchen Gao et al. // IEEE Transactions on medical imaging. — 2016. — Vol. 35, N 5.

16. Breast cancer dataset from breakhis. — Available at: https://www.kaggle. com/kritika397/breast-cancer-dataset-from-breakhis

17. Bioimaging Challenge 2015 Breast Histology Dataset. — Available at: https://rdm.inesctec.pt/dataset/nis-2017-003

18. Breast histopathology. — Available at: https://www.kaggle.com/ paultimothymooney/breast-histopathology-images#IDC_regular_ps50_idx5.zip

19. Sharmaa H. Deep convolutional neural networks for automatic classification of gastric carcinoma using whole slide images in digital histopathology / H. Sharmaa, N. Zerbe, I. Klempert // Computerized Medical Imaging and Graphics. — 2017. — 61. — P. 2–13.

20. Image Preprocessing. — Available at: https://keras.io/preprocessing/image/