Διάγνωση οζιδίων του πνεύμονα με συνελικτικά νευρωνικά δίκτυα (CNN) από απεικονίσεις αξονικού τομογράφου (CT)
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%...
| Κύριος συγγραφέας: | |
|---|---|
| Άλλοι συγγραφείς: | |
| Γλώσσα: | Greek |
| Έκδοση: |
2022
|
| Θέματα: | |
| Διαθέσιμο Online: | http://hdl.handle.net/10889/16500 |
| id |
nemertes-10889-16500 |
|---|---|
| record_format |
dspace |
| institution |
UPatras |
| collection |
Nemertes |
| language |
Greek |
| topic |
Ταξινόμηση οζιδίων Συνελικτικά νευρωνικά δίκτυα Συμπιεσμένα συνελικτικά νευρωνικά δίκτυα Καρκίνος του πνεύμονα Nodule classification Convolutional neural networks Compact convolutional neural networks Lung cancer |
| spellingShingle |
Ταξινόμηση οζιδίων Συνελικτικά νευρωνικά δίκτυα Συμπιεσμένα συνελικτικά νευρωνικά δίκτυα Καρκίνος του πνεύμονα Nodule classification Convolutional neural networks Compact convolutional neural networks Lung cancer Τσιβγούλης, Μιχαήλ Διάγνωση οζιδίων του πνεύμονα με συνελικτικά νευρωνικά δίκτυα (CNN) από απεικονίσεις αξονικού τομογράφου (CT) |
| description |
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. |
| author2 |
Tsivgoulis, Michail |
| author_facet |
Tsivgoulis, Michail Τσιβγούλης, Μιχαήλ |
| author |
Τσιβγούλης, Μιχαήλ |
| author_sort |
Τσιβγούλης, Μιχαήλ |
| title |
Διάγνωση οζιδίων του πνεύμονα με συνελικτικά νευρωνικά δίκτυα (CNN) από απεικονίσεις αξονικού τομογράφου (CT) |
| title_short |
Διάγνωση οζιδίων του πνεύμονα με συνελικτικά νευρωνικά δίκτυα (CNN) από απεικονίσεις αξονικού τομογράφου (CT) |
| title_full |
Διάγνωση οζιδίων του πνεύμονα με συνελικτικά νευρωνικά δίκτυα (CNN) από απεικονίσεις αξονικού τομογράφου (CT) |
| title_fullStr |
Διάγνωση οζιδίων του πνεύμονα με συνελικτικά νευρωνικά δίκτυα (CNN) από απεικονίσεις αξονικού τομογράφου (CT) |
| title_full_unstemmed |
Διάγνωση οζιδίων του πνεύμονα με συνελικτικά νευρωνικά δίκτυα (CNN) από απεικονίσεις αξονικού τομογράφου (CT) |
| title_sort |
διάγνωση οζιδίων του πνεύμονα με συνελικτικά νευρωνικά δίκτυα (cnn) από απεικονίσεις αξονικού τομογράφου (ct) |
| publishDate |
2022 |
| url |
http://hdl.handle.net/10889/16500 |
| work_keys_str_mv |
AT tsibgoulēsmichaēl diagnōsēozidiōntoupneumonamesyneliktikaneurōnikadiktyacnnapoapeikoniseisaxonikoutomographouct AT tsibgoulēsmichaēl diagnosisoflungcancerbasedonctscansusingcnn |
| _version_ |
1771297133220069376 |
| spelling |
nemertes-10889-165002022-09-05T04:59:56Z Διάγνωση οζιδίων του πνεύμονα με συνελικτικά νευρωνικά δίκτυα (CNN) από απεικονίσεις αξονικού τομογράφου (CT) Diagnosis of lung cancer based on CT scans using CNN Τσιβγούλης, Μιχαήλ Tsivgoulis, Michail Ταξινόμηση οζιδίων Συνελικτικά νευρωνικά δίκτυα Συμπιεσμένα συνελικτικά νευρωνικά δίκτυα Καρκίνος του πνεύμονα Nodule classification Convolutional neural networks Compact convolutional neural networks Lung cancer 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. Lung cancer is quite common nowadays and its rapid detection and diagnosis plays an important role in the treatment of the patient. According to the latest statistics, the 5-year survival rate for people with any type of lung cancer does not exceed 21%. Computer-aided Diagnosis (CAD) systems have shown that they can contribute to a better diagnosis of the patient. However, these systems require a lot of computing power in order to give quickly acceptable results. In an effort to improve the required computation time, we build a lighter, yet highly accurate, convolutional neural network (CNN) that can classify nodules into malignant and benign in a shorter time than other larger and more complex CNN models. Based on a fairly compact CNN model, SqueezeNet, we simplified the structure of its Fire Module by creating two versions of it and comparing them with other well-known models. We used 888 CT images from the public dataset LUNA16 from which, after appropriate preprocessing, we generated 2D 50x50 images of benign and malignant nodules. In addition, we appropriately modified our models to accept 32x32x32 3D images in order to demonstrate that they run fast requiring moderate computational power even in 3D space, which has more information than 2D space. For 2D images, the first version of our model gives 93.2% accuracy, 94.6% specificity and 89.2% sensitivity, while the second version gives 94.3% accuracy, 95.3% specificity and 91.3% sensitivity. For 3D images, the first version of our model gives 94.3% accuracy, 96.0% specificity and 87.4% sensitivity, while the second version gives 95.8% accuracy, 96.2% specificity and 90.2% sensitivity. 2022-07-12T10:58:42Z 2022-07-12T10:58:42Z 2021-07-12 http://hdl.handle.net/10889/16500 gr application/pdf |
