Xception ile Histopatolojik Görüntülerden Oral Kanser Teşhisi

Abstract

Oral kanser dünya genelinde sık görülen bir kanser türlerindendir. Etkili olan hücre türüne göre farklı oral kanser türleri vardır. Oral kanser türleri arasında en yüksek oran skuamöz hücreli türüne aittir. Oral kanserin erken teşhisi tedavi açısından çok önemlidir. Bu kanser türünde, lezyonlar görülüp hissedilen bölgelerde olmalarına rağmen teşhis-lerinde geç kalınmaktadır. Teşhis sürecinde biyopsi, histopatolojik ve radyolojik görüntülerin incelenmesi, kullanılan başlıca yöntemlerdir. Hastalıkların teşhis sürecinde derin öğrenme yapılarını kullanan karar destek sistemleri sağlık sektöründe yaygınlaşmaktadır. Literatürde oral kanserin derin öğrenme ile sınıflandırılmasında farklı modelleri kul-lanan çalışmalar yer almaktadır. Bu çalışmada mevcut literatürden farklı olarak Xception modeli ön eğitimli ve ardışıl algoritmayla birlikte modifiye edilmiş şekilde kullanılmıştır. Normal ve oral skuamöz hücreli kanserler şeklinde iki sınıfında bulunduğu eğitim aşamasında sırasıyla %98.70 eğitim başarısı, %97.20 zar doğruluğu, %96.50 hassasiyet ve %97 duyarlılık elde edilmiştir. Elde edilen bu değerler literatürde yer alan diğer bazı çalışmalarla karşılaştırılmıştır. Çalışmada Xception modelinin Clahe ile birlikte oral kanser sınıflandırmasında uygun bir seçenek olduğu ve teşhis sürecinde yararlı olabileceği görülmüştür.

Keywords

• Oral kanser
• Derin öğrenme
• Kanser sınıflama
• karar destek sistemleri
• xception

Diagnosis of Oral Cancer from Histopathological Images with Xception

Abstract

Oral cancer is one of the most common cancers worldwide. There are different types of oral cancer de-pending on the type of cell that is affected. The highest rate among oral cancers belongs to the squa-mous cell type. Early diagnosis of oral cancer is very important for treatment. In this type of cancer, although the lesions are in areas where they can be seen and palpated, the diagnosis is made late. Biopsy, examination of histopathological and radio-logical images are the main methods for diagnosis. Decision support systems that use the structures of deep learning in the diagnosis process of diseases are becoming widespread in the health sector. There are studies in the literature that use different models to classify oral cancer with Deep Learning. In this study, unlike the existing literature, the Xception model was used in a modified form with a pre-trained and sequential algorithm. In the training phase, in which there were two classes, namely normal and oral squamous cell carcinomas, 98.70% training accuracy, 97.20 dice coefficient, 96.50% sensitivity, and 97% sensitivity were obtained, respectively. These values were compared with some other studies in the literature. The study concluded that the Xception model together with Clahe is a suitable option for the classification of oral cavity cancer and can be useful for the diagnostic process.

Keywords

• Oral cancer
• Deep learning
• Xception
• Cancer Classification
• Decision Support Systems

References

1. Alhazmi, A., Alhazmi, Y., Makrami, A., Salawi, N., Masmali, K., & Patil, S. (2021). Application of artificial intelligence and machine learning for prediction of oral cancer risk. J. Oral Pathol. Med., 50(5), 444–450.
2. Alkhadar, H., Macluskey, M., White, S., Ellis, I., & Gardner, (2021). A. Comparison of machine lear-ning algorithms for the prediction of five-year survival in oral squamous cell carcinoma. J. Oral Pathol. Med. 50(4), 378–384.
3. Aubreville, M., Knipfer, C., Oetter, N., Jaremenko, C., Rodner, E., Denzler, J., Bohr, C., Neumann, H., Stelzle, F., & Maier, A. (2017). Automatic Classification of Cancerous Tissue in Laserendo-microscopy Images of the Oral Cavity using Deep Learning. Scientific Reports, 7, 1-10.
4. Chollet, F. (2017, November). Xception: Deep Learning with Depthwise Separable Convolutions, 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Honolulu, HI, USA, https://ieeexplore.ieee.org/document/8099678
5. Chu, C.S., Lee, N. P., Adeoye, J., Thomson, P., & Choi, S.W. (2020). Machine learning and treatment outcome prediction for oral cancer. J. Oral Pathol. Med, 49(10), 977–985
6. Coşan, G., & Yılmaz, S. (2022). Oral Kanserlerin Tanısında Tükürük Biyobelirteçlerinin Rolü. Akdeniz Tıp Dergisi, 8 (2), 218-224. DOI: https://doi.org/10.53394/akd.1057801
7. Fu Q, Chen Y, Li Z, Jing Q, Hu C, Liu H, Bao J, Hong Y, Shi T, Li K, Zou H, Song Y, Wang H, Wang X, Wang Y, Liu J, Liu H, Chen S, Chen R, Zhang M, Zhao J, Xiang J, Liu B, Jia J, Wu H, Zhao Y, Wan L., & Xiong X. (2020). A deep learning algorithm for detection of oral cavity squamous cell carcinoma from photographic images: A retrospective study. EClinicalMedicine, 27,1-7. DOI: https://doi.org/10.1016/j.eclinm.2020.100558
8. Jubair F, Al-Karadsheh O, Malamos D, Mahdi, S. A., Saad, Y., & Hassona, Y. (2022). A novel lig-htweight deep convolutional neural network for early detection of oral cancer. Oral Dis,,28(4), 1123-1130. DOI: https://doi.org/10.1111/odi.13825

9. Koca C. G., & Yenidünya O. (2020). Diş Hekimliği Öğrencilerinde Oral Kanser Farkındalık Düzeyle-rinin Değerlendirilmesi. Osmangazi Tıp Dergisi, 42(5), 90-95.
10. Lin H, Chen H, Weng L, Shao, J., & Lin, J. (2021). Automatic detection of oral cancer in smartphone-based images using deep learning for early diagnosis. J Biomed Opt, 26(8),1-16. DOI: https://doi.org/10.1117/1.JBO.26.8.086007
11. Mollaoğlu N., Peker İ., Uğar Çankal D. A., Gültekin S. E., & Kılınç Y. (2021). Oral Prekanseröz Lez-yonların Teşhis ve Tedavisi. ADO Klinik Bilimler Dergisi, 10(3), 159-164.
12. Özdemir, G., Bilen, Ö. & Canım Ateş, S. (2022). Hastane Aciline Gelenlerde Kalp Krizi Risk Olası-lığının Belirlenmesi için Bir Karar Destek Sisteminin Oluşturulması. Düzce Üniversitesi Bilim ve Teknoloji Dergisi, 10(4), 2093-2106.
13. Özkesici M. Y., & Yılmaz S. (2021). Oral ve Maksillofasiyal Radyoloji’de Yapay Zeka. Sağlık Bilim-leri Dergisi, 30(3), 346-351. DOI: https://doi.org/10.34108/eujhs.1040476
14. Rahman AU, Alqahtani A, Aldhafferi N, Nasir MU, Khan MF, Khan MA, & Mosavi A. (2022) Histo-pathologic Oral Cancer Prediction Using Oral Squamous Cell Carcinoma Biopsy Empowered with Transfer Learning. Sensors (Basel), 22(10), 1-14.
15. Sağlam E., & Özsağır Z. B (2020). Oral Kanser ve Periodontal Hastalık İlişkisi Disease. Osmangazi Tıp Dergisi. 42(5), 241-248.
16. Shavlokhova, V., Sandhu, S., Flechtenmacher, C., Koveshazi, I., Neumeier, F., Padrón-Laso, V., Jon-ke, Ž., Saravi, B., Vollmer, M., & Vollmer, A. (2021). Deep Learning on Oral Squamous Cell Carcinoma Ex Vivo Fluorescent Confocal Microscopy Data: A Feasibility Study. J. Clin. Med. 10(22), 1-13.
17. Taş A., Yılmaz S., & Sindel A. (2020). Oral Skuamoz Hücreli Karsinom – 3 Olgu Sunumu. Osmangazi Tıp Dergisi, 42(5), 142-147.
18. Warin K, Limprasert W, Suebnukarn S, Limprasert, W., Jantana, P., & Jinaporntham, S. (2021). Auto-matic classification and detection of oral cancer in photographic images using deep learning al-gorithms. J Oral Pathol Med, 50(9). DOI: https://doi.org/10.1111/jop.13227
19. Welikala, R.A., Remagnino, P., Lim, J. H., Chan, C.S., Rajendran, S., Kallarakkal, T.G., Zain, R.B., Jayasinghe, R. D., Rimal, J., & Kerr, A. R. (2020). Automated Detection and Classification of Oral Lesions Using Deep Learning for Early Detection of Oral Cancer. IEEE Access, 8, 132677–132693.