Phân loại ung thư vú sử dụng kết hợp thuật toán phân tích chùm mờ và mạng học sâu Inception ResNet - V2
,
,
,
và
*
Article Sidebar
Full Text: 
PDF
Abstract
Magnetic Resonance Imaging (MRI) classification is one of the practical applications that has garnered significant attention from many scientists around the world. This research proposes a breast cancer image classification algorithm based on the combination of fuzzy clustering analysis and the Inception ResNet V2 architecture (FCIR-V2). First, the fuzzy clustering analysis algorithm is used to segment the images into separate classes. Then, the deep learning Inception ResNet V2 architecture is applied to classify the segmented images. Based on newly established improved parameters from the fuzzy clustering analysis and Inception ResNet V2 architecture, an efficient new classification model for image classification is developed. Additionally, this model is specifically applied to the breast cancer dataset (Breast Cancer, 400x). The results showed that the algorithm used for this model is more effective than other methods, based on the ACC and F1-Score metrics.
Tóm tắt
Phân loại ảnh cộng hưởng từ (MRI) là một trong những ứng dụng thực tiễn đã và đang được quan tâm bởi nhiều nhà khoa học trên thế giới. Trong nghiên cứu, thuật toán phân loại ảnh ung thư vú được đề xuất dựa trên sự kết hợp của thuật toán phân tích chùm mờ và kiến trúc Inception ResNet V2 (FCIR-V2). Đầu tiên, thuật toán phân tích chùm mờ được sử dụng để phân đoạn các ảnh thành các lớp tách biệt. Sau đó, kiến trúc học sâu Inception ResNet V2 được áp dụng để phân loại các ảnh sau phân đoạn. Dựa trên các tham số cải tiến mới được thiết lập từ thuật toán phân tích chùm mờ và kiến trúc Inception ResNet V2, một mô hình phân loại mới hiệu quả cho vấn đề phân loại ảnh được thiết lập. Ngoài ra, mô hình này được ứng dụng cụ thể cho tập dữ liệu ung thư vú (Breast Cancer, 400x). Kết quả cho thấy phương pháp sử dụng thuật toán cho mô hình này hiệu quả hơn các phương pháp khác thông qua các chỉ số ACC và F1-Score.
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
Tài liệu tham khảo
Akkus, Z., Galimzianova, A., Hoogi, A., Rubin, D. L., & Erickson, B. J. (2017). Deep Learning for Brain MRI Segmentation: State of the Art and Future Directions. Journal of Digital Imaging, 30, 449-459.
https://doi.org/10.1007/s10278-017-9983-4.
Despotović, I., Goossens, B., & Philips, W. (2015). MRI segmentation of the human brain: Challenges, methods, and applications. Computational and Mathematical Methods in Medicine, (1), 450341.
https://doi.org/ 10.1155/2015/450341
Hossain, M. B., Iqbal, S. H. S., Islam, M. M., Akhtar, M. N., & Sarker, I. H. (2022). Transfer learning with fine-tuned deep CNN ResNet50 model for classifying COVID-19 from chest X-ray images. Informatics in Medicine Unlocked, 30, 100916.
https://doi.org/10.1016/j.imu.2022.100916
Ji, Z., Liu, J., Cao, G., Sun, Q., & Chen, Q. (2014). Robust spatially constrained fuzzy c-means algorithm for brain MR image segmentation. Pattern recognition, 47(7), 2454-2466. https://doi.org/ 10.1016/j.patcog.2014.01.017
Kong, L., & Cheng, J. (2022). Classification and detection of COVID-19 X-Ray images based on DenseNet and VGG16 feature fusion. Biomedical Signal Processing and Control, 77, 103772. https://doi.org/ 10.1016/j.bspc.2022.103772
Lai, C. C., & Chang, C. Y. (2009). A hierarchical evolutionary algorithm for automatic medical image segmentation. Expert Systems with Applications, 36(1), 248-259. https://doi.org/ 10.1016/j.eswa.2007.09.003
Le, C. H., and Frélicot, C. (2011). A cluster-validity index combining an overlap measure and a separation measure based on fuzzy-aggregation operators. IEEE Trans. Fuzzy Syst, 19(3), 580-588.
https://doi.org/10.1109/TFUZZ.2011.2106216
Lu, S., Lu, Z., & Zhang, Y. D. (2019). Pathological brain detection based on AlexNet and transfer learning. Journal of Computational Science, 30, 41-47.
https://doi.org/10.1016/j.jocs.2018.11.008
Manivannan, S., & Venkateswaran, N. (2023). Dog Breed Classification using Inception ResNet-V2. In 2023 International Conference for Advancement in Technology, 1-5. https://doi.org/ 10.1109/ICONAT57137.2023.10080065
Monalisa, A., Swathi, D., Karuna, Y., & Saladi, S. (2018). Robust Intuitionistic Fuzzy c-Means Clustering Algorithm for Brain Image Segmentation. In Proceedings of the 2018 IEEE International Conference on Communication and Signal Processing, 0781-0785. https://doi.org/ 10.1109/ICCSP.2018.8524360
Nawaz, W., Ahmed, S., Tahir, A., & Khan, H. A. (2018). Classification of breast cancer histology images using alexnet. In Image Analysis and Recognition: 15th International Conference, ICIAR 2018, Póvoa de Varzim, Portugal, June 27–29,2018, Proceedings 15 (pp. 869-876). Springer International Publishing. https://doi.org/ 10.1007/978-3-319-93000-8_99
Neshat, M., Ahmed, M., Askari, H., Thilakaratne, M., & Mirjalili, S. (2024). Hybrid Inception Architecture with Residual Connection: Fine-tuned Inception-ResNet Deep Learning Model for Lung Inflammation Diagnosis from Chest Radiographs. Procedia Computer Science, 235, 1841-1850. https://doi.org/10.1016/j.procs.2024.04.175
Özyurt, F., Sert, E., & Avcı, D. (2020). An expert system for brain tumor detection: Fuzzy C-means with super resolution and convolutional neural network with extreme learning machine. Med. Hypotheses, 134, 109433. https://doi.org/ 10.1016/j.mehy.2019.109433
Pham, T. B., Vo, T. H. N., Vu, Q. T., & Pham, T. D. (2024). Improving fuzzy clustering algorithm for overlapping elements and its application. International Journal of Information Technology, 16(4), 2595-2602. https://doi.org/10.1007/s41870-024-01745-w
Ramezani, S. B., Cummins, L., Killen, B., Carley, R., Amirlatifi, A., Rahimi, S., Seale, M., & Bian, L. (2023). Scalability, Explainability and Performance of Data-Driven Algorithms in Predicting the Remaining Useful Life: A Comprehensive Review. IEEE Access, 11, 41741-41769. https://doi.org/10.1109/ACCESS.2023.3267960
Saha, S., Alok, A. K., & Ekbal, A. (2016). Brain image segmentation using semi-supervised clustering. Expert Systems with Applications, 52, 50-63.
https://doi.org/ 10.1016/j.eswa.2016.01.005
Singh, D., & Kaur, K. (2012). Classification of Abnormalities in Brain MRI Images Using GLCM, PCA and SVM. Int. J. Eng. Adv. Technol, 1(6), 243-248.
Tohka, J., Zijdenbos, A., & Evans, A., (2004). Fast and robust parameter estimation for statistical partial volume models in brain MRI. Neuroimage, 1(6), 243-248. https://doi.org/ 10.1016/j.neuroimage.2004.05.007
Tran, M. T. (2016). A cooperative semi-supervised fuzzy clustering framework for dental X-ray image segmentation. Expert Systems with Applications, 46, 380-393. https://doi.org/ 10.1016/j.eswa.2015.11.001
Vasuda, P., & Satheesh, S. (2010). Improved Fuzzy C-Means Algorithm for MR Brain Image Segmentation. Int. J. Comput. Sci. Eng, 2(5), 1713.
Weisenfeld, N. I., & Warfield, S. K. (2009). Automatic segmentation of newborn brain MRI. Neuroimage, 47(2), 564-572. https://doi.org/ 10.1016/j.neuroimage.2009.04.068
Zotin, A., Simonov, K., Kurako, M., Hamad, Y., &Kirillova, S. (2018). Edge detection in MRI brain tumor images based on fuzzy C-means clustering. In Procedia Computer Science, 126, 1261-1270. https://doi.org/10.1016/j.procS.2018.08.069