DETECTION OF CANCER AREA IN LUNG IMAGES WITH THE HELP OF DEEP LEARNING ALGORITHMS

Abstract

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.With the acceleration of the process of industrialization, and the increasing number of smokers, the number of deaths due to lung cancer remains high. A large amount of clinical data found that lung cancer appeared in the form of lung nodules in the early stage. CT imaging is one of the non-invasive detection methods to find early lung nodules. The use of computer-assisted CT lung nodule detection system can help doctors in early detection and diagnosis. However, due to the difference in radiation doses and machine parameters, the brightness, contrast, or irradiation angle of the image database of different hospitals are different. The training of the detection system cannot improve the performance of lung nodule classification algorithm by adding data. This causes problems such as low data usage, high label training costs, and easy expiration of classification models. This research provides the Convolutional Neural Network (CNN) and its architectures, such as AlexNet, GoogleNet, Resnet18 and Resnet50. We have included transfer learning by using CNN's pre-trained architectures. These architectures are tested with large data sets which are SPIE AAPM lung image dataset, which is freely available on the web. Due to the lack of training data, data augmentation technique has proposed to increase the number of training data artificially. The Convolution Neural Network architectures' performances were evaluated by some matrixes, which are confusion matrix, recall, precision and f1-score. Based on the above work, Matlab R2019b is used to program the pre-trained networks and obtaining the results based on transfer learning