Derin öğrenme algoritması ile akciğer görüntülerinde kanser alanının tespiti

Sanayileşme sürecinin hızlanması ve sigara içenlerin sayısının artması ile akciğer kanserine bağlı ölümlerin sayısı yüksek olmaya devam ediyor. Büyük miktarda klinik veri, akciğer kanserinin erken aşamada akciğer nodülleri şeklinde ortaya çıktığını buldu. CT görüntüleme, erken akciğer nodüllerini bulmak için invazif olmayan tespit yöntemlerinden biridir. Bilgisayar destekli CT akciğer nodülü tespit sisteminin kullanılması, doktorlara erken teşhis ve teşhis konusunda yardımcı olabilir. Bununla birlikte, radyasyon dozları ve makine parametrelerindeki farklılık nedeniyle, farklı hastanelerin görüntü veritabanlarının parlaklığı, kontrastı veya ışınlama açısı farklıdır. Saptama sisteminin eğitimi, veri ekleyerek akciğer nodülü sınıflandırma algoritmasının performansını iyileştiremez. Bu, düşük veri kullanımı, yüksek etiket eğitim maliyetleri ve sınıflandırma modellerinin kolay sona ermesi gibi sorunlara neden olur. Bu araştırma, Evrişimli Sinir Ağı'nı (CNN) ve AlexNet, GoogleNet, Resnet18 ve Resnet50 gibi mimarilerini sağlar. CNN'nin önceden eğitilmiş mimarilerini kullanarak aktarım öğrenimini dahil ettik. Bu mimariler, web'de ücretsiz olarak bulunabilen SPIE AAPM akciğer görüntüsü veri seti olan büyük veri setleriyle test edilir. Eğitim verilerinin eksikliğinden dolayı, veri artırma tekniği eğitim verisi sayısını yapay olarak artırmayı önerdi. Evrişim Sinir Ağı mimarilerinin performansları, karışıklık matrisi, geri çağırma, kesinlik ve f1-score olan bazı matrislerle değerlendirildi. Yukarıdaki çalışmaya dayanarak, Matlab R2019b, önceden eğitilmiş ağları programlamak ve aktarım öğrenmeye dayalı sonuçları elde etmek için kullanılır.