[논문 리뷰] Lung Cancer Detection and Classification based on Image Processing and Statistical Learning

Rashidul Hasan, Muntasir Al Kabir|arXiv (Cornell University)|2018. 01. 01.

Radiomics and Machine Learning in Medical Imaging참고 문헌 2인용 수 8

한 줄 요약

이 연구는 CT 영상 처리와 통계적 학습을 활용한 컴퓨터 보조 폐암 진단 시스템을 제안한다. 마커 제어 워터셰그 분할, 특징 추출(면적, 둘레, 엔트로피), 기계 학습 분류기 기반의 방법을 사용한다. 198개 슬라이스로 구성된 Kaggle 데이터셋을 사용하여 최적화된 C=1 및 감마=1로 SVM를 적용한 결과 72.2%의 정확도를 달성하였으며, 랜덤 포레스트 및 QDA와 같은 다른 모델들보다 뛰어난 성능을 보였다.

ABSTRACT

Lung cancer is one of the death threatening diseases among human beings. Early and accurate detection of lung cancer can increase the survival rate from lung cancer. Computed Tomography (CT) images are commonly used for detecting the lung cancer.Using a data set of thousands of high-resolution lung scans collected from Kaggle competition [1], we will develop algorithms that accurately determine in the lungs are cancerous or not. The proposed system promises better result than the existing systems, which would be beneficial for the radiologist for the accurate and early detection of cancer. The method has been tested on 198 slices of CT images of various stages of cancer obtained from Kaggle dataset[1] and is found satisfactory results. The accuracy of the proposed method in this dataset is 72.2%

연구 동기 및 목표

• CT 영상을 이용한 조기 및 정확한 폐암 진단을 위한 자동화된 시스템 개발.
• 인간의 실수를 줄이고 진단 속도를 향상시켜 방사선 진단을 향상시키기.
• 의료 영상에서 폐 종양을 분류하는 데 있어 다양한 통계적 학습 모델의 성능 평가.
• 사전 처리 및 마커 기반 워터셰그 기법을 통해 영상 품질 향상과 종양 분할 향상.

제안 방법

• 사전 처리는 잡음 감소를 위한 중앙값 필터링과 대trast 강화를 위한 히스토그램 균형화를 포함한다.
• 마커 제어 워터셰그 분할은 내부 및 외부 마커를 사용하여 폐 종양을 분리한다.
• 특징 추출은 분할된 종양에서 면적, 둘레, 엔트로피를 계산하여 분류에 활용한다.
• 지도 학습 분류기로는 로지스틱 회귀, QDA, 분류 트리, 랜덤 포레스트, 라디얼 기저 함수 커널을 사용한 SVM이 포함된다.
• SVM의 하이퍼파ram터 튜닝(C=1, 감마=1)으로 정확도가 72.2%로 향상되었다.
• 선택된 특징을 사용한 비지도 K-means 군집화는 테스트 데이터에서 55.05%의 정확도를 기록하였다.

실험 결과

연구 질문

• RQ1 영상 처리와 통계적 학습은 CT 영상에서 조기 폐암 진단을 향상시킬 수 있는가?
• RQ2 마커 제어 워터셰그 분할 기법은 다른 분할 기법에 비해 종양 진단에서 어떻게 비교되는가?
• RQ3 어느 기계 학습 분류기가 폐 종양을 악성 또는 양성으로 분류하는 데 가장 높은 정확도를 보이는가?
• RQ4 특징 선택 및 하이퍼파ram터 튜닝은 모델 성능 향상에 얼마나 기여하는가?
• RQ5 라벨이 없는 데이터로 비지도 군집화 방법이 악성 종양을 효과적으로 식별할 수 있는가?

주요 결과

• 제안된 시스템은 C=1 및 감마=1로 최적화된 SVM를 사용하여 72.2%의 분류 정확도를 달성하였으며, 테스트된 모든 모델 중에서 가장 높은 성능을 보였다.
• SVM는 QDA, 분류 트리, 랜덤 포레스트와 비교해도 71.71%의 정확도를 기록하며 뛰어난 성능을 보였다.
• 면적과 둘레를 사용한 특징 선택이 SVM의 성능 향상에 기여하였으며, C=1 및 감마=1에서 최고의 결과를 기록하였다.
• K-means 군집화는 세 개의 예측 변수를 사용할 경우 테스트 데이터에서 55.05%의 정확도를 기록하였으며, 전체 특징 세트보다 略로 뛰어난 성능을 보였다.
• 중앙값 필터링과 히스토그램 균형화를 통한 사전 처리가 영상 선명도 향상에 기여하였으며, 더 나은 분할을 지원하였다.
• 그래픽 사용자 인터페이스를 통해 종양의 자동 진단 및 시각화가 가능하여 임상 적용 가능성에 기여하였다.