| Περίληψη: | Ο καρκίνος του πνεύμονα είναι αρκετά συχνός στις μέρες μας και η ταχεία ανίχνευση και αντιμετώπισή του παίζει σημαντικό ρόλο στη θεραπεία του ασθενούς. Σύμφωνα με τις τελευταίες στατιστικές, το ποσοστό πενταετούς επιβίωσης για τα άτομα με οποιονδήποτε τύπο καρκίνου του πνεύμονα δεν υπερβαίνει το 21%. Τα συστήματα που υποστηρίζονται από υπολογιστή (Computer-aided Diagnosis Systems) έχουν δείξει ότι μπορούν να συμβάλουν στην βελτίωση της διάγνωσης του ασθενούς. Ωστόσο, τα συστήματα αυτά απαιτούν μεγάλη υπολογιστική ισχύ προκειμένου να δώσουν αποδεκτά αποτελέσματα σε σχετικά σύντομο χρόνο. Αυτό μας οδήγησε στην κατασκευή ενός ελαφρύτερου και ταυτόχρονα μεγάλης ακρίβειας συνελικτικού νευρωνικού δικτύου (CNN) που μπορεί να ταξινομήσει τα οζίδια σε κακοήθη και καλοήθη σε συντομότερο χρονικό διάστημα από άλλα πιο μεγάλα και πολύπλοκα CNN μοντέλα και χωρίς να απαιτεί υψηλή υπολογιστική ισχύ. Βασιζόμενοι σε ένα αρκετά συμπαγές μοντέλο CNN, το SqueezeNet, απλοποιήσαμε τη δομή του Fire Module του δημιουργώντας δύο εκδόσεις του και τις συγκρίναμε με άλλα γνωστά μοντέλα. Χρησιμοποιήσαμε 888 αξονικές τομογραφίες από το δημόσιο σύνολο δεδομένων LUNA16 από τις οποίες, μετά από κατάλληλη προεπεξεργασία, δημιουργήσαμε 2D εικόνες 50x50 με καλοήθη και κακοήθη οζίδια. Επιπλέον, τροποποιήσαμε κατάλληλα τα μοντέλα μας ώστε να δέχονται τρισδιάστατες εικόνες 32x32x32 για να αποδείξουμε ότι τρέχουν γρήγορα απαιτώντας μέτρια υπολογιστική ισχύ και στον τρισδιάστατο χώρο, ο οποίος έχει περισσότερη πληροφορία από τον δισδιάστατο χώρο. Για εικόνες 2D, η πρώτη έκδοση του μοντέλου μας δίνει 93,2% ακρίβεια, 94,6% ειδικότητα και 89,2% ευαισθησία, ενώ η δεύτερη έκδοση δίνει 94,3% ακρίβεια, 95,3% ειδικότητα και 91,3% ευαισθησία. Για τρισδιάστατες εικόνες, η πρώτη έκδοση του μοντέλου μας δίνει 94,3% ακρίβεια, 96,0% ειδικότητα και 87,4% ευαισθησία, ενώ η δεύτερη έκδοση δίνει 95,8% ακρίβεια, 96,2% ειδικότητα και 90,2% ευαισθησία.
|
|---|
