DOI: https://doi.org/10.20998/2522-9052.2019.4.10

Використання згорткових нейронних мереж для гістопатологічного аналізу

Daria Hlavcheva, Vladyslav Yaloveha, Andrii Podorozhniak

Анотація


Серед усіх видів раку найпоширенішим є рак молочної залози. У 2017 році рак молочної залози став четвертою причиною смертності в Україні. Стаття присвячена автоматизації гістопатологічного аналізу, що може покращити процес діагностики стадії раку. Мета статті - дослідити можливість використання згорткових нейронних мереж для класифікації зображень біопсії для діагностики раку. Відповідно до мети поставлено такі завдання: аналіз статистики захворюваності на рак в Європі та Україні; аналіз використання машинного навчання для завдань  прогнозування та діагностики раку; попередня обробка зображень набору даних BreCaHAD; навчання згорткової нейронної мережі та аналіз результатів; побудова теплової карти. Об’єктом дослідження є процес виявлення пухлин на мікроскопічних зображеннях біопсії за допомогою згорткових нейронних мереж. Предметом дослідження є процес класифікації здорових та ракових клітин за допомогою нейронних мереж глибокого навчання. Науковою новизною дослідження є використання згорткової нейронної мережі, навченої на наборі даних BreCaHAD для виконання гістопатологічного аналізу. Використовуються теорія нейронних мереж глибокого навчання та методи математичної статистики. В результаті отримано, що точність класифікації згорткової нейронної мережі за тестовими даними становить 0,935, ця мережа може бути ефективно використана для побудови теплової карти.


Ключові слова


глибоке навчання; згорткові нейронні мережі; рак молочної залози; гістопатологічний аналіз; біопсія; BreCaHAD.

Повний текст:

PDF (English)

Посилання


Dabeer, S., Khan, M. M. and Islam, S. (2019), “Cancer diagnosis in histopathological image: CNN based approach”, Informatics in Medicine Unlocked, 16, article 100231.

Ferlay, J., Colombet, M., Soerjomataram, I., Dyba, T., Randi, G., Bettio, M., Gavin, A., Visser, O. and Bray, F. (2018), “Cancer incidence and mortality patterns in Europe: Estimates for 40 countries and 25 major cancers in 2018”, European Journal of Cancer, 103, pp. 356-387.

International Agency for Research of Cancer, World Health Organization Europe: Europe – Global Cancer Observatory (2018), available at: https://gco.iarc.fr/today/data/factsheets/populations/908-europe-fact-sheets.pdf.

International Agency for Research of Cancer, World Health Organization Europe: Ukraine – Global Cancer Observatory (2018), available at: https://gco.iarc.fr/today/data/factsheets/populations/804-ukraine-fact-sheets.pdf.

World health rankings: Breast Cancer in Ukraine (2017), available at: https://www.worldlifeexpectancy.com/ukraine-breast-cancer.

Konstantina Kourou, Themis P.Exarchos, Konstantinos P.Exarchos, Michalis V.Karamouzis and Dimitrios I.Fotiadi (2014), “Machine learning applications in cancer prognosis and prediction”, Computational and structural biotechnology journal, 13, pp. 8-17.

Delen, D., Walker, G. and Kadam, A. (2005), “Predicting breast cancer survivability: a comparison of three data mining methods”, Artificial intelligence in medicine, 34(2), pp. 113-127.

SEER Incidence Database - SEER Data & Software (2019), available at: https://seer.cancer.gov/data/.

Waddell, M., Page, D. and Shaughnessy Jr, J. (2018), “Predicting cancer susceptibility from single-nucleotide polymorphism data: a case study in multiple myeloma”, Proceedings of the 5th international workshop on Bioinformatics: ACM, pp. 21-28.

SNP – NCBI (2019), available at: https://www.ncbi.nlm.nih.gov/snp/.

Sawant, A., Bhandari, M., Yadav, R., Yele, R. and Bendale, M.S. (2018), “Brain cancer detection from mri: A machine learning approach (tensorflow)”, Brain, 5(04).

Alakwaa, W., Nassef, M. and Badr, A. (2017), “Lung cancer detection and classification with 3D convolutional neural network (3D-CNN)”, Lung Cancer, 8(8), pp. 409.

Lotter, W., Sorensen, G. and Cox, D. (2017), “A multi-scale CNN and curriculum learning strategy for mammogram classification”, Deep Learning in Medical Image Analysis and Multimodal Learning for Clinical Decision Support: Springer, pp. 169-177.

Heath, M., Bowyer, K., Kopans, D., Moore, R. and Kegelmeyer, W. P. (2000), “The digital database for screening mammography”, Proceedings of the 5th international workshop on digital mammography: Medical Physics Publishing, pp. 212-218.

Zuluaga-Gomez, J., Masry, Z. A., Benaggoune, K., Meraghni, S. and Zerhouni, N. (2019), “A CNN-based methodology for breast cancer diagnosis using thermal images”, arXiv preprint arXiv:1910.13757.

Bengio, Y. (2009), “Learning deep architectures for AI”, Foundations and trends® in Machine Learning, 2(1), pp. 1-127.

Kuchuk, H., Podorozhniak, A., Hlavcheva, D. and Yaloveha, V. (2019), “Application of Deep Learning in the Processing of the Aerospace System's Multispectral Images”, Handbook of Research on Artificial Intelligence Applications in the Aviation and Aerospace Industries, IGI Global, pp. 134-147.

Imagenet large scale visual recognition challenge (2013), available at: http://www.image-net.org/challenges/LSVRC/2013/.

Azizpour, H., Razavian, A. S., Sullivan, J., Maki, A. and Carlsson, S. (2015), “'Factors of transferability for a generic convnet representation”', IEEE transactions on pattern analysis and machine intelligence, 38(9), pp. 1790-1802.

LeCun, Y. (1989), “Generalization and network design strategies”, Connectionism in perspective: Citeseer.

Hubel, D. H. and Wiesel, T. N. (1962), “'Receptive fields, binocular interaction and functional architecture in the cat's visual cortex”', The Journal of physiology, 160(1), pp. 106-154.

LeCun, Y., Bengio, Y. and Hinton, G. (2015), "Deep learning", nature, No. 521 (7553), pp. 436-444, available at: https://doi.org/10.1038/nature14539.

Liubchenko, N., Podorozhniak, A. and Bondarchuk, V. (2017), “Neural network method of intellectual processing of multispectral images”, Advanced Information Systems, Vol. 1, No. 2, pp. 39-44, DOI: https://doi.org/10.20998/2522-9052.2017.2.07.

Srivastava, N., Hinton, G., Krizhevsky, A., Sutskever, I. and Salakhutdinov, R. (2014), “Dropout: a simple way to prevent neural networks from overfitting”, The journal of machine learning research, 15(1), pp. 1929-1958.

Yaloveha, V., Hlavcheva, D., Podorozhniak, A. and Kuchuk, H. (2019), “Fire Hazard Research of Forest Areas based on the use of Convolutional and Capsule Neural Networks”, 2019 IEEE 2nd Ukraine Conference on Electrical and Computer Engineering (UKRCON), IEEE, pp. 828-832.

Hauberg, S., Freifeld, O., Larsen, A. B. L., Fisher, J. and Hansen, L. (2010), “Dreaming more data: Class-dependent distributions over diffeomorphisms for learned data augmentation”, Artificial Intelligence and Statistics, pp. 342-350.

Araújo, T., Aresta, G., Castro, E., Rouco, J., Aguiar, P., Eloy, C., Polónia, A. and Campilho, A. (2017), “Classification of breast cancer histology images using convolutional neural networks”, PloS one, 12(6), article e0177544.

BreCaHAD: A Dataset for Breast Cancer Histopathological Annotation and Diagnosis (2019), available at: https://figshare.com/articles/BreCaHAD_A_Dataset_for_Breast_Cancer_Histopathological_Annotation_and_Diagnosis/7379186.

Aksac, A., Demetrick, D. J., Ozyer, T. and Alhajj, R. (2019), “BreCaHAD: a dataset for breast cancer histopathological annotation and diagnosis”, BMC research notes, 12(1), pp. 82.




Copyright (c) 2020 Daria Hlavcheva, Vladyslav Yaloveha, Andrii Podorozhniak