Akciğer Kanseri Tanısında Yapay Zeka Yöntemlerinin Karşılaştırılması

Abstract

Akciğer kanseri, en ölümcül kanser türlerinden biridir. 2020 yılında yaklaşık 2 milyon yeni vaka tespit edilmiştir. Kanser hastalarının yaklaşık %20'si akciğer kanseridir. Küçük hücreli ve küçük hücreli olmayan olmak üzere 2 alt türü bulunmaktadır. Küçük hücreli olmayanlar ise adenokarsinom, skuamöz hücreli karsinom ve büyük hücreli karsinom olmak üzere 3 alt gruba ayrılmaktadır. Alt türlerin tümör yapıları birbirinden farklıdır. Bu yüzden bilgisayarlı tomografi görüntülerinde ayrımı yapılabilmektedir. Bu çalışmada bilgisayarlı tomografi görüntüleri üzerinden kişinin akciğer kanseri olup olmadığına dair tanı konulmaktadır. Aynı zamanda akciğer kanserinin alt türü de tespit edilmektedir. Sınıflandırma işlemi tamamlandıktan sonra en iyi sınıflandırma yapan algoritma tespit edilmiştir. Bu çalışmada Naive Bayes, k en yakın komşu, destek vektör makinesi, momentumlu dereceli azalma, Levenberg-Marquardt, ölçeklenmiş eşlenik gradyan, evrişimsel sinir ağları, VGG16 ve ResNet101 modelleri karşılaştırılmıştır. Kaggle Chest CT-Scan veri setinden elde edilen görüntüler 80x40 boyutuna indirgenerek standartlaştırılmıştır. Görüntülerin dalgacık dönüşümünden geçebilmesi için görüntüler gri seviyeye dönüştürülmüştür. Elde edilen görüntülere 3. seviye dalgacık dönüşümü uygulanarak özellik çıkarma işlemi gerçekleştirilmiştir. Verilerin rastallığını sağlamak amacıyla 5 katmanlı çapraz doğrulama yöntemiyle veriler ayrılmıştır. Makine öğrenimi ve yapay sinir ağları tek boyutlu girdi aldığından görüntüler tek boyuta indirgenmiştir ve modellere girdi olarak verilmiştir. Derin öğrenme modelleri, görüntü işlemede otomatik olarak özellik çıkarabildiğinden veriler modellere doğrudan girdi olarak verilmiştir. En başarısız model %51,28 F1 puanı ve 0,335 kappa puanı ile Naive Bayestir. Naive Bayesten sonraki en başarısız model %74,22 F1 puanı ve 0,646 kappa puanı ile momentumlu dereceli azalma algoritması ile optimize edilen yapay sinir ağı modelidir. En başarılı iki model %98,78 F1 puanı ve 0,983 kappa puanı olan ResNet101 modeli ve evrişimsel sinir ağı modelleridir.Lung cancer is one of the deadliest types of cancer. Approximately 2 million new cases were detected in 2020. About 20% of cancer patients have lung cancer. There are two subspecies: small cell and non-small cell. Non-small cell carcinomas are divided into 3 subgroups: adenocarcinoma, squamous cell carcinoma, and large cell carcinoma. Tumor structures of subspecies differ from each other. Therefore, it can be differentiated in computed tomography images. In this study, a diagnosis of lung cancer is made through computed tomography images. At the same time, a subtype of lung cancer is detected. After the classification process was completed, the best classification algorithm was determined. In this study, Naive Bayes, k nearest neighbor, support vector machine, gradient descent with momentum, Levenberg-Marquardt, scaled conjugate gradient, convolutional neural networks, VGG16 and ResNet101 models are compared. The images obtained from the Kaggle Chest CT-Scan dataset were standardized by reducing them to 80x40 size. Images are converted to gray level so that the images can undergo wavelet transform. Feature extraction was performed by applying the 3rd level wavelet transform to the obtained images. In order to ensure the randomness of the data, the data were separated by the 5-fold cross-validation method. Since machine learning and artificial neural networks receive one-dimensional input, the images are reduced to one dimension and given as input to the models. Since deep learning models can automatically extract features in image processing, the data are given directly to the models. The most unsuccessful model is Naive Bayes with an F1 score of %51,28 and a kappa score of 0,335. The most unsuccessful model after Naive Bayes is the artificial neural network optimized by the gradient descent with momentum algorithm with an F1 score of 74,22% and a kappa score of 0,646. The two most successful models are the ResNet101 and convolutional neural network, which have an F1 score of 98,78% and a kappa score of 0,983.