Grading Brain Histopathological Images Using Deep Residual Networks and Support Vector Machine

Abstract

Beyin kanseri, beyinde tümör oluşumuna bağlı olarak ortaya çıkan ölümcül bir hastalıktır. Kol ve bacaklarda güçsüzlük, konuşma ve görme bozuklukları, aşırı şiddetli baş ağrıları ve kusma gibi semptomlara neden olabilir. Genelde dört sınıfa ayrılır. Birinci ve ikinci sınıflar "düşük dereceli", yani "iyi huylu", üçüncü ve dördüncü sınıflar "yüksek dereceli", yani "kötü huylu" olarak değerlendirilir. Tedavi prosedürleri için tümörün erken evrelenmesi önemlidir. Beyin tümörlerinin histopatolojik görüntülere göre derecelendirilmesi, uzmanlık gerektiren yorucu bir süreçtir. Öte yandan, derin öğrenme algoritmaları bilgisayar destekli teşhis sistemlerinde sıklıkla kullanılmaktadır. Bu çalışmada, dört faza ait 1133x40 beyin histopatolojik görüntülerinin otomatik derecelendirilmesi yapılmıştır. Öncelikle, ResNet50 ve ResNet101 modelleri ile en son teknoloji önceden eğitilmiş Artık ağlardan özellikler çıkarılmıştır. Ardından, hiper parametreler Bayesian Optimizasyonu ile optimize edilerek, Destek Vektör Makinesi (SVM) algoritması ile sınıflandırılmıştır. Veri setinin %80'i eğitim ve %20'si test için ayrılmıştır. Çoklu sınıflandırma problemleri açısından değerlendirildiğinde Resnet50'de %80.09 gibi yüksek bir doğruluk oranına ulaşılırken, Resnet101'de Grade I tespitinde %100 yüksek duyarlılık değerine ulaşılmaktadır

Keywords

• Residual Networks
• Support Vector Machine
• Histopathology
• Grading

References

1. [1] L. M. DeAngelis, “Brain tumors,” New England journal of medicine, vol. 344, no. 2, pp. 114-123, 2001.
2. [2] W. Penfield, “The classification of gliomas and neuroglia cell types,” Archives of Neurology & Psychiatry, vol. 26, no. 4, pp. 745-753, 1931.
3. [3] K. Herholz, K.-J. Langen, C. Schiepers, and J. M. Mountz, "Brain tumors." pp. 356-370.
4. [4] N. Coudray, P. S. Ocampo, T. Sakellaropoulos, N. Narula, M. Snuderl, D. Fenyö, A. L. Moreira, N. Razavian, and A. Tsirigos, “Classification and mutation prediction from non–small cell lung cancer histopathology images using deep learning,” Nature medicine, vol. 24, no. 10, pp. 1559-1567, 2018.
5. [5] S. Khan, N. Islam, Z. Jan, I. U. Din, and J. J. C. Rodrigues, “A novel deep learning based framework for the detection and classification of breast cancer using transfer learning,” Pattern Recognition Letters, vol. 125, pp. 1-6, 2019.
6. [6] J. J. Nirschl, A. Janowczyk, E. G. Peyster, R. Frank, K. B. Margulies, M. D. Feldman, and A. Madabhushi, "Deep learning tissue segmentation in cardiac histopathology images," Deep Learning for Medical Image Analysis, pp. 179-195: Elsevier, 2017.
7. [7] S. Kostopoulos, P. Ravazoula, P. Asvestas, I. Kalatzis, G. Xenogiannopoulos, D. Cavouras, and D. Glotsos, “Development of a reference image collection library for histopathology image processing, analysis and decision support systems research,” Journal of digital imaging, vol. 30, no. 3, pp. 287-295, 2017.
8. [8] D. Glotsos, I. Kalatzis, P. Spyridonos, S. Kostopoulos, A. Daskalakis, E. Athanasiadis, P. Ravazoula, G. Nikiforidis, and D. Cavouras, “Improving accuracy in astrocytomas grading by integrating a robust least squares mapping driven support vector machine classifier into a two level grade classification scheme,” computer methods and programs in biomedicine, vol. 90, no. 3, pp. 251-261, 2008.

9. [9] A. Krizhevsky, I. Sutskever, and G. E. Hinton, "Imagenet classification with deep convolutional neural networks." pp. 1097-1105.
10. [10] K. He, X. Zhang, S. Ren, and J. Sun, "Deep residual learning for image recognition." pp. 770-778.
11. [11] I. L. S. V. R. Challenge, “Available online: http://www. image-net. org/challenges,” LSVRC/(accessed on 26 February 2019), 2014.