Serviks Kanser Hücrelerinin Ön-Eğitimli Ağ Temelli Otomatik Sınıflandırılması İçin Bir Ara Yüz Tasarımı ve Geliştirilmesi

Yıl 2021, , 268 - 274, 31.12.2021

Bünyamin Bingöl , Süleyman Uzun , Cem Özkurt

https://doi.org/10.31590/ejosat.1045509

Öz

Serviks (rahim ağzı) kanseri, dünyada her iki dakikada bir kadının ölümüne neden olan ve kadınlarda meme kanserinden sonra en sık görülen ikinci kanserdir. Rahim ağzından kaynaklanan en önemli risk faktörü papilloma virüsü (HPV) ile oluşan enfeksiyondur. Servikal kanser tarama programları, bu kanserin görülme sıklığını ve ölüm oranlarını azaltmak için son derece önemlidir. Serviks kanseri için yapılan taramaların birincil hedefi, servikal kanseri önleme amacıyla, serviksin intraepitelyal prekürsör lezyonlarının doğru tespit edilmesi ve tedavisinin zamanında yapılmasıdır. PAP smear testi ile kanseröz dönemdeki hücreler endoservikal kanalda saptanmakta ve bu aşamadaki kanser tedavisi ile hücreler kansere dönüşmeden kanser gelişimi önlenebilmektedir. Erken tanıda kullanılan PAP testi kolay uygulanabilen, maliyeti düşük, zarar vermeyen, duyarlılığı yüksek ayrıca tedavi yükünü azaltan bir testtir. Son zamanlarda yapay zekâ alanındaki gelişmeler, serviks kanserinin teşhisinde ciddi başarılar elde edilmektedir. Yapılan bu çalışmada, transfer öğrenme tabanlı serviks kanser tespit yöntemi ve bu işlemlerin kolayca yapılabilmesi amacıyla geliştirilen bir uygulama sunulmaktadır. Kanserli ve kanserli olmayan servikal hücreler, ön-eğitimli ağlar kullanılarak sınıflandırılmıştır. Problem için Xception, VGG-16, DenseNet, İnceptionV3 ve InceptionResNetV2 olmak üzere beş popüler ön eğitilmiş ağ kullanılmış ve elde edilen performans sonuçları karşılaştırılmıştır. Ayrıca bu alanda çalışan uzmanların bu tip sınıflandırmaları kolay yapabilmeleri amacıyla bir uygulama geliştirilmiştir. Bu uygulama ile yeni bir eğitim yapılarak kullanıcılar kendi modellerini oluşturabilir, bu çalışmada oluşturulan modeli kullanabilir ve yeni elde edilen görüntülerin hangi sınıfa ait olduklarını hızlı bir şekilde test edebilmektedirler. Çalışma sonucunda, DenseNet ağı %94,72 doğruluk ile en yüksek doğruluk elde edilmiştir. Deneysel sonuçlar, önerilen yaklaşımın rahim ağzı kanseri tespiti için herkesin uygulayabileceği ucuz ve hızlı bir karar destek sistemi sağlayabileceği gösterilmektedir.

Anahtar Kelimeler

Serviks Kanser Hücreleri, Sınıflandırma, Derin Öğrenme

Destekleyen Kurum

Sakarya Uygulamalı Bilimler Üniversitesi

Proje Numarası

56

Design and Development of an GUI for Pre-Trained Network-Based Automated Classification of Cervical Cancer Cells

Öz

Cervical cancer is the second most common cancer in women after breast cancer, causing the death of one woman every two minutes in the world. The most important risk factor originating from the cervix is infection with the papilloma virus (HPV). Cervical cancer screening programs are extremely important to reduce the incidence and death rates of this cancer. The primary goal of screening for cervical cancer is the accurate detection and timely treatment of intraepithelial precursor lesions of the cervix, in order to prevent cervical cancer. With the PAP smear test, cells in the cancerous stage are detected in the endocervical canal, and cancer development can be prevented before the cells turn into cancer with cancer treatment at this stage. The PAP test, which is used in early diagnosis, is an easy-to-apply, low-cost, harmless, high-sensitivity test that also reduces the burden of treatment. Recent developments in the field of artificial intelligence have achieved serious success in the diagnosis of cervical cancer. In this study, a transfer learning-based cervical cancer detection method and an application developed to easily perform these procedures are presented. Cancerous and non-cancerous cervical cells were classified using pre-trained networks. Five popular pre-trained networks, namely Xception, VGG-16, DenseNet, InceptionV3, and InceptionResNetV2, were used for the problem and the obtained performance results were compared. In addition, an application has been developed so that experts working in this field can easily make such classifications. With this application, users can create their own models by conducting a new training, use the model created in this study, and quickly test which class the newly obtained images belong to. As a result of the study, DenseNet network obtained the highest accuracy with 94.72% accuracy. Experimental results show that the proposed approach can provide an inexpensive and rapid decision support system for cervical cancer detection that anyone can apply.

Anahtar Kelimeler

Cervical Cancer Cells, Classification, Deep Learning

Proje Numarası

56

Kaynakça

• M. Danacı, M. Çelik, and E. Akkaya, “Meme Kanseri Hücrelerinin Tahmin ve Teşhisi,” Akıllı Sist. Yenilikler ve Uygul. Sempozyumu, pp. 9–12, 2010.
• U. Bayraktar, “Derin Öğrenme Tabanlı Kanserli Hücre Tespiti,” no. December 2018, 2019.
• S. S. Erdem, M. Yilmaz, H. Yildirim, A. S. Mayda, A. A. Durak, and Ö. Şener, “Düzce ’ de Yaşayanların Kanser ve Kanser Risk Faktörleri Hakkında Bilgi Düzeyi Information Level on Cancer and Cancer Risk Factors Living in Duzce,” vol. 7, no. 1, pp. 1–10, 2017.
• S. G. Mavi Aydoğdu and Ü. Özsoy, “Serviks kanseri ve HPV,” Androloji Bülteni, pp. 25–29, 2018.
• P. A. Cohen, A. Jhingran, A. Oaknin, and L. Denny, “Cervical cancer,” Lancet, vol. 393, no. 10167, pp. 169–182, 2019.
• S. E. Waggoner, “Cervical cancer,” in Lancet, 2003, vol. 361, no. 9376, pp. 2217–2225.
• E. Yıldırım, “The effect of informing women referring to health centers on their attitudes about HPV vaccine,” Turkiye Aile Hekim. Derg., vol. 15, no. 4, pp. 153–158, 2011.
• İ. H. Tunçez, N. Aksoy, and M. Koç, “Ulusal Kanser Tarama Programı Sonuçları; Bir İl Örneği,” Phoenix Med. J., vol. 3, no. 2, pp. 69–73, May 2021.
• N. Sompawong et al., “Automated Pap Smear Cervical Cancer Screening Using Deep Learning,” Proc. Annu. Int. Conf. IEEE Eng. Med. Biol. Soc. EMBS, pp. 7044–7048, 2019.
• L. Zhang, L. Lu, I. Nogues, R. M. Summers, S. Liu, and J. Yao, “DeepPap: Deep convolutional networks for cervical cell classification,” IEEE J. Biomed. Heal. Informatics, vol. 21, no. 6, pp. 1633–1643, 2017.
• Y. Song et al., “Accurate cervical cell segmentation from overlapping clumps in pap smear images,” IEEE Trans. Med. Imaging, vol. 36, no. 1, pp. 288–300, 2017.
• S. Nithin, P. Sharma, M. Vivek, and P. Sharan, “Automated cervical cancer detection using photonic crystal based bio-sensor,” Souvenir 2015 IEEE Int. Adv. Comput. Conf. IACC 2015, pp. 1174–1178, 2015.
• A. Ghoneim, G. Muhammad, and M. S. Hossain, “Cervical cancer classification using convolutional neural networks and extreme learning machines,” Futur. Gener. Comput. Syst., vol. 102, pp. 643–649, 2020.
• Z. Alyafeai and L. Ghouti, “A fully-automated deep learning pipeline for cervical cancer classification,” Expert Syst. Appl., vol. 141, 2020.
• C. Tan, F. Sun, T. Kong, W. Zhang, C. Yang, and C. Liu, “A survey on deep transfer learning,” in Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), 2018, vol. 11141 LNCS, pp. 270–279.
• B. Koçer, “Transfer Öğrenmede Yeni Yaklaşımlar,” Selçuk Üniversitesi, Fen Bilimleri Enstitüsü, Bilgisayar Mühendisliği Bölümü, Doktora Tezi, 2012.
• B. Karadağ, A. Arı, and M. Karadağ, “Derin Öğrenme Modellerinin Sinirsel Stil Aktarımı Performanslarının Karşılaştırılması,” J. Polytech., vol. 0900, pp. 2–14, Mar. 2021.
• K. Simonyan and A. Zisserman, “Very deep convolutional networks for large-scale image recognition,” in 3rd International Conference on Learning Representations, ICLR 2015 - Conference Track Proceedings, 2015.
• C. Szegedy, V. Vanhoucke, S. Ioffe, J. Shlens, and Z. Wojna, “Rethinking the Inception Architecture for Computer Vision,” in Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition, 2016, vol. 2016-Decem, pp. 2818–2826.
• N. D. P. D, L. Zhao, C. H. W. P. D, and J. F. Chang, “Inception v3 based cervical cell classification combined with artificially extracted features,” Appl. Soft Comput. J., vol. 93, pp. 1–8, 2020.
• Y. M. Glaser, “Densely Connected Convolutional Neural Networks for Natural Language Processing Densely Connected Convolutional Networks for,” 2018.
• N. Hasan, Y. Bao, A. Shawon, and Y. Huang, “DenseNet Convolutional Neural Networks Application for Predicting COVID-19 Using CT Image,” SN Comput. Sci., vol. 2, no. 5, pp. 1–16, 2021.
• G. Huang, Z. Liu, L. Van Der Maaten, and K. Q. Weinberger, “Densely Connected Convolutional Networks,” 2017.
• F. Chollet, “Xception: Deep Learning with Depthwise Separable Convolutions,” Proc. - 30th IEEE Conf. Comput. Vis. Pattern Recognition, CVPR 2017, vol. 2017-January, pp. 1800–1807, Oct. 2016.
• E. Dandıl and Z. Serin, “Derin Sinir Ağları Kullanarak Histopatolojik Görüntülerde Meme Kanseri Tespiti,” Eur. J. Sci. Technol., pp. 451–463, Aug. 2020.
• C. Szegedy, S. Ioffe, V. Vanhoucke, and A. Alemi, “Inception-v4, Inception-ResNet and the Impact of Residual Connections on Learning,” 31st AAAI Conf. Artif. Intell. AAAI 2017, pp. 4278–4284, Feb. 2016.
• M. E. Plissiti, P. Dimitrakopoulos, G. Sfikas, C. Nikou, O. Krikoni, and A. Charchanti, “Sipakmed: A New Dataset for Feature and Image Based Classification of Normal and Pathological Cervical Cells in Pap Smear Images,” in Proceedings - International Conference on Image Processing, ICIP, 2018, pp. 3144–3148.