Classification of lung nodules in CT images using convolutional neural networks

Abstract

Son yapılan çalışmalar her yıl yapılan düşük dozlu bilgisayarlı tomografi (BT) taramalarının, geleneksel göğüs radyolojisine göre akciğer kanserinin erken tespitinde %20 daha iyi sonuç verdiğini göstermiştir. Bu sebeple akciğerin BT ile incelenmesi tüm dünyada yaygınlaşmaktadır. Fakat bu görüntülerin analiz edilmesi radyologlar için ciddi bir yüktür. Bir BT taramasındaki görüntü sayısı 600'e kadar çıkabilmektedir. Bu sebeple bilgisayar destekli tespit sistemleri görüntülerin daha hızlı ve daha doğru tanınması için çok önemlidir. Bu çalışmada evrişimsel sinir ağları (ESA) kullanılarak akciğer BT görüntülerini analiz eden ve yanlış-pozitifleri azaltan bir yöntem geliştirilmiştir. Sinir ağı modeli, farklı boyutlardaki girdiler ile denenmiş ve girdi boyutunun sistemin performansına olan etkisi gösterilmiştir. Ayrıca, bir çok modelden elde edilen sonuçlar değişik kombinasyonlarda bir araya getirilerek başarım artırılmış ve bu yöntemin gücü gösterilmiştir. Sınıflandırılacak bilginin 3 boyutlu olması ve veriyi 2 boyutlu işlemenin bilgi kaybına yol açmasından dolayı 3 boyutlu evrişimsel sinir ağları kullanılmıştır. Önerilen yöntem LUNA16 Yarışması tarafından sağlanan veri seti üzerinde denenmiş ve tarama başına 1 yanlış pozitif oranında 0.831 duyarlılığına ulaşılmıştır.

Recent studies have shown that lung cancer screening using annual low-dose computed tomography (CT) reduces lung cancer mortality by 20% compared to traditional chest radiography. Therefore, CT lung screening has started to be used widely all across the world. However, analyzing these images is a serious burden for radiologists. The number of slices in a CT scan can be up to 600. Therefore, computer-aided-detection (CAD) systems are very important for faster and more accurate assessment of the data. In this thesis, we proposed a framework that analyzes CT lung screenings using convolutional neural networks (CNNs) to reduce false positives. Our framework shows that even non-complex architectures are very powerful to classify 3D nodule data when compared to traditional methods. We trained our model with different volume sizes and showed that volume size plays a critical role in the performance of the system. We also used different fusions in order to show their power and effect on the overall accuracy. 3D CNNs were preferred over 2D CNNs because data was in 3D and 2D convolutional operations may result in information loss. The proposed framework has been tested on the dataset provided by the LUNA16 Challenge and got a sensitivity of 0.831 at 1 false positive per scan.