Karaciğer HCC tanısı için doğadan esinlenen özellik seçim algoritmalarının kantitatif karşılaştırması

Hepatosit karsinomu (HCC), karaciğer kanserinin en yaygın şekli ve dünya çapında kanserle ilişkili ölümlerin dördüncü önde gelen nedenidir. Yüksek ölüm oranının büyük ölçüde sebebi etkili tarama ve erken teşhisteki sınırlamalardır. Bu çalışma, yalnızca tümörlü alanlara odaklanmak yerine tüm karaciğeri içeren ilgili bölgeleri(ROI) kullanarak geleneksel yaklaşımlardan ayrılan radyomik tabanlı bir sınıflandırma çerçevesi sunmaktadır. Bu yaklaşım, HCC'nin karaciğer yapısı üzerinde genel bir etkiye sahip olup olmadığını, genel morfolojisini değiştirip değiştirmediğini incelememizi ve böylelikle sağlıklı bir karaciğerden ayırt edilip edilemediğini anlamamızı sağlar. Radyomik özellikler, hem ham MRI verileri hem de sağlanan yedi filtre kullanılarak karaciğer ROI'si üzerinden çıkarılır. Bu filtreler, çeşitli doku desenlerini yakalamak ve ham MRI verilerinde görünmeyebilecek ince görüntü özelliklerini ortaya çıkarmak için kullanılır. Sınıflandırma performansını iyileştirmek ve alakasız özellikleri ortadan kaldırmak için, doğadan ilham alan dört optimizasyon algoritmasının ikili versiyonları -Afrika Akbabası Optimizasyon Algoritması (AVOA), Yarasa Algoritması (BA), Harris Şahinleri Optimizasyonu (HHO) ve Serçe Arama Algoritması (SSA)- özellik seçimi için uygulanmıştır. Ayrıca segmentasyon görevleri için yaygın olarak kullanılan, herkese açık bir veri setinin sınıflandırma problemleri için de etkili bir şekilde kullanılabileceğini gösteriyoruz. Bu çalışma, tümör maskeleri olmadan bile yüksek sınıflandırma performansına ulaşılabileceğini ve HCC'nin varlığının tüm karaciğerden çıkarılan özellikler kullanılarak doğru bir şekilde tespit edilebileceğini göstermektedir.