Гібридна система вибору методів балансування класів на основі інтегрування згорткової нейронної мережі та методів прийняття рішень для діагностики раку легенів

Автор(и)

DOI:

https://doi.org/10.15587/1729-4061.2022.263644

Ключові слова:

рак легенів, глибоке навчання, багатокритеріальне прийняття рішень (БКПР), дисбаланс класів

Анотація

Рак легенів є найбільш швидкозростаючим і найнебезпечнішим видом раку у світі. Він займає перше місце серед онкологічних захворювань за кількістю летальних випадків, а його діагностика на пізніх стадіях ускладнює лікування. Штучний інтелект відіграє важливу роль у галузі медицини в цілому, а також при ранній діагностиці захворювань та аналізі медичних зображень зокрема, оскільки він дозволяє зменшити людські помилки, що можуть виникнути у медичного експерта при аналізі медичних зображень. У дослідженні пропонується гібридна система глибокого навчання з використанням запропонованої згорткової нейронної мережі та методів багатокритеріального прийняття рішень. Вона дозволяє отримати ефективну і точну модель класифікації для діагностики раку легенів та вибору найкращої методики для вирішення проблеми дисбалансу класів наборів даних, яка є спільною проблемою в медичних даних, що викликає труднощі та помилки у прогнозуванні. Було використано набір даних IQ-OTHNCCD з дисбалансом класів. Три методи балансування класів використовувалися окремо, і дані кожного з них надходять у запропоновану згорткову нейронну мережу для виділення та класифікації ознак. Далі для визначення найкращого методу класифікації та найкращого методу збалансування класів були використані алгоритм нечітко-зваженої нульової неузгодженості та VIKOR. Це дозволило підвищити ефективність класифікації, при якій найкраща модель показала правильність 99,27 %, чутливість 99,33 %, специфічність 99 %, прецизійність 98,67 % та F1-міру 99 %. Дане дослідження може бути застосоване до будь-яких даних, що мають проблему дисбалансу класів, для знаходження найкращого методу, що забезпечує найвищу точність класифікації.

Біографії авторів

Mustafa Mohammed Jassim, Iraqi Commission for Computers and Informatics (ICCI); Al-Farahidi University

MSc, Researcher

Informatics Institute for Postgraduate Studies (IIPS)

Department of Medical Instruments Engineering Techniques

Mustafa Musa Jaber, Dijlah University College; Universiti Tenaga Nasional

PhD, Lecturer

Department of Medical Instruments Engineering Techniques

Institute of Informatics and Computing in Energy

Посилання

  1. Sung, H., Ferlay, J., Siegel, R. L., Laversanne, M., Soerjomataram, I., Jemal, A., Bray, F. (2021). Global Cancer Statistics 2020: GLOBOCAN Estimates of Incidence and Mortality Worldwide for 36 Cancers in 185 Countries. CA: A Cancer Journal for Clinicians, 71 (3), 209–249. doi: https://doi.org/10.3322/caac.21660
  2. Begum, S., Sarkar, R., Chakraborty, D., Maulik, U. (2020). Identification of Biomarker on Biological and Gene Expression data using Fuzzy Preference Based Rough Set. Journal of Intelligent Systems, 30 (1), 130–141. doi: https://doi.org/10.1515/jisys-2019-0034
  3. Razzak, M. I., Naz, S., Zaib, A. (2017). Deep Learning for Medical Image Processing: Overview, Challenges and the Future. Classification in BioApps, 323–350. doi: https://doi.org/10.1007/978-3-319-65981-7_12
  4. Albahri, O. S., Albahri, A. S., Zaidan, A. A., Zaidan, B. B., Alsalem, M. A., Mohsin, A. H. et. al. (2019). Fault-Tolerant mHealth Framework in the Context of IoT-Based Real-Time Wearable Health Data Sensors. IEEE Access, 7, 50052–50080. doi: https://doi.org/10.1109/access.2019.2910411
  5. Johnson, J. M., Khoshgoftaar, T. M. (2019). Survey on deep learning with class imbalance. Journal of Big Data, 6 (1). doi: https://doi.org/10.1186/s40537-019-0192-5
  6. Jassim, M. M., Jaber, M. M. (2022). Systematic review for lung cancer detection and lung nodule classification: Taxonomy, challenges, and recommendation future works. Journal of Intelligent Systems, 31 (1), 944–964. doi: https://doi.org/10.1515/jisys-2022-0062
  7. Hussein, S., Gillies, R., Cao, K., Song, Q., Bagci, U. (2017). TumorNet: Lung nodule characterization using multi-view Convolutional Neural Network with Gaussian Process. 2017 IEEE 14th International Symposium on Biomedical Imaging (ISBI 2017). doi: https://doi.org/10.1109/isbi.2017.7950686
  8. Apostolopoulos, I. D. (2020). Experimenting with Convolutional Neural Network architectures for the automatic characterization of Solitary Pulmonary Nodules’ malignancy rating. arXiv. doi: https://doi.org/10.48550/arXiv.2003.06801
  9. Lin, C.-H., Lin, C.-J., Li, Y.-C., Wang, S.-H. (2021). Using Generative Adversarial Networks and Parameter Optimization of Convolutional Neural Networks for Lung Tumor Classification. Applied Sciences, 11 (2), 480. doi: https://doi.org/10.3390/app11020480
  10. Al-Yasriy, H. F., AL-Husieny, M. S., Mohsen, F. Y., Khalil, E. A., Hassan, Z. S. (2020). Diagnosis of Lung Cancer Based on CT Scans Using CNN. IOP Conference Series: Materials Science and Engineering, 928 (2), 022035. doi: https://doi.org/10.1088/1757-899x/928/2/022035
  11. Kareem, H. F., AL-Huseiny, M. S., Mohsen, F., Khalil, E., Hassan, Z. (2021). Evaluation of SVM performance in the detection of lung cancer in marked CT scan dataset. Indonesian Journal of Electrical Engineering and Computer Science, 21 (3), 1731. doi: https://doi.org/10.11591/ijeecs.v21.i3.pp1731-1738
  12. Li, J., Tao, Y., Cai, T. (2021). Predicting Lung Cancers Using Epidemiological Data: A Generative-Discriminative Framework. IEEE/CAA Journal of Automatica Sinica, 8 (5), 1067–1078. doi: https://doi.org/10.1109/jas.2021.1003910
  13. Kaur, L., Sharma, M., Dharwal, R., Bakshi, A. (2018). Lung Cancer Detection Using CT Scan with Artificial Neural Netwok. 2018 International Conference on Recent Innovations in Electrical, Electronics & Communication Engineering (ICRIEECE). doi: https://doi.org/10.1109/icrieece44171.2018.9009244
  14. Masood, A., Sheng, B., Li, P., Hou, X., Wei, X., Qin, J., Feng, D. (2018). Computer-Assisted Decision Support System in Pulmonary Cancer detection and stage classification on CT images. Journal of Biomedical Informatics, 79, 117–128. doi: https://doi.org/10.1016/j.jbi.2018.01.005
  15. Zheng, S., Shen, Z., Pei, C., Ding, W., Lin, H., Zheng, J. et. al. (2021). Interpretative computer-aided lung cancer diagnosis: From radiology analysis to malignancy evaluation. Computer Methods and Programs in Biomedicine, 210, 106363. doi: https://doi.org/10.1016/j.cmpb.2021.106363
  16. Bansal, G., Chamola, V., Narang, P., Kumar, S., Raman, S. (2020). Deep3DSCan: Deep residual network and morphological descriptor based framework forlung cancer classification and 3D segmentation. IET Image Processing, 14 (7), 1240–1247. doi: https://doi.org/10.1049/iet-ipr.2019.1164
  17. Raschka, S., Patterson, J., Nolet, C. (2020). Machine Learning in Python: Main Developments and Technology Trends in Data Science, Machine Learning, and Artificial Intelligence. Information, 11 (4), 193. doi: https://doi.org/10.3390/info11040193
  18. Yamashita, R., Nishio, M., Do, R. K. G., Togashi, K. (2018). Convolutional neural networks: an overview and application in radiology. Insights into Imaging, 9 (4), 611–629. doi: https://doi.org/10.1007/s13244-018-0639-9
  19. Kingma, D. P., Ba, J. (2014). Adam: A method for stochastic optimization. arXiv. doi: https://doi.org/10.48550/arXiv.1412.6980
  20. Hu, X., Huang, C., Feng, R., Zhou, L., Zheng, L. (2021). Blind image blurring by Gaussian filtering extreme channels prior. Proceedings of the 2021 5th International Conference on Electronic Information Technology and Computer Engineering. doi: https://doi.org/10.1145/3501409.3501510
  21. Kovács, B., Tinya, F., Németh, C., Ódor, P. (2020). Unfolding the effects of different forestry treatments on microclimate in oak forests: results of a 4‐yr experiment. Ecological Applications, 30 (2). doi: https://doi.org/10.1002/eap.2043
  22. Batista, G. E. A. P. A., Prati, R. C., Monard, M. C. (2004). A study of the behavior of several methods for balancing machine learning training data. ACM SIGKDD Explorations Newsletter, 6 (1), 20–29. doi: https://doi.org/10.1145/1007730.1007735
  23. Gao, J. (2020). Data Augmentation in Solving Data Imbalance Problems. Degree Project in Computer Science and Engineering. Stockholm. Available at: https://www.diva-portal.org/smash/get/diva2:1521110/FULLTEXT01.pdf
  24. Jiao, Y., Du, P. (2016). Performance measures in evaluating machine learning based bioinformatics predictors for classifications. Quantitative Biology, 4 (4), 320–330. doi: https://doi.org/10.1007/s40484-016-0081-2
  25. Sayadi, M. K., Heydari, M., Shahanaghi, K. (2009). Extension of VIKOR method for decision making problem with interval numbers. Applied Mathematical Modelling, 33 (5), 2257–2262. doi: https://doi.org/10.1016/j.apm.2008.06.002
  26. AL-Huseiny, M. S., Sajit, A. S. (2021). Transfer learning with GoogLeNet for detection of lung cancer. Indonesian Journal of Electrical Engineering and Computer Science, 22 (2), 1078. doi: https://doi.org/10.11591/ijeecs.v22.i2.pp1078-1086
  27. Mohite, A. (2021). Application of Transfer Learning Technique for Detection and Classification of Lung Cancer using CT Images. International Journal of Scientific Research and Management, 9 (11), 621–634. doi: https://doi.org/10.18535/ijsrm/v9i11.ec02

##submission.downloads##

Опубліковано

2022-08-31

Як цитувати

Jassim, M. M., & Jaber, M. M. (2022). Гібридна система вибору методів балансування класів на основі інтегрування згорткової нейронної мережі та методів прийняття рішень для діагностики раку легенів. Eastern-European Journal of Enterprise Technologies, 4(9(118), 69–76. https://doi.org/10.15587/1729-4061.2022.263644

Номер

Том 4 № 9(118) (2022): Інформаційно-керуючі системи

Розділ

Інформаційно-керуючі системи

Ліцензія

Авторське право (c) 2022 Mustafa Mohammed Jassim, Mustafa Musa Jaber

Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.

Закріплення та умови передачі авторських прав (ідентифікація авторства) здійснюється у Ліцензійному договорі. Зокрема, автори залишають за собою право на авторство свого рукопису та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons CC BY. При цьому вони мають право укладати самостійно додаткові угоди, що стосуються неексклюзивного поширення роботи у тому вигляді, в якому вона була опублікована цим журналом, але за умови збереження посилання на першу публікацію статті в цьому журналі.

Ліцензійний договір – це документ, в якому автор гарантує, що володіє усіма авторськими правами на твір (рукопис, статтю, тощо).
Автори, підписуючи Ліцензійний договір з ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР», мають усі права на подальше використання свого твору за умови посилання на наше видання, в якому твір опублікований. Відповідно до умов Ліцензійного договору, Видавець ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР» не забирає ваші авторські права та отримує від авторів дозвіл на використання та розповсюдження публікації через світові наукові ресурси (власні електронні ресурси, наукометричні бази даних, репозитарії, бібліотеки тощо).
За відсутності підписаного Ліцензійного договору або за відсутністю вказаних в цьому договорі ідентифікаторів, що дають змогу ідентифікувати особу автора, редакція не має права працювати з рукописом.
Важливо пам’ятати, що існує і інший тип угоди між авторами та видавцями – коли авторські права передаються від авторів до видавця. В такому разі автори втрачають права власності на свій твір та не можуть його використовувати в будь-який спосіб.