An Effective Image Augmenting Technique in Detection of Lung Cancer Types-Reference-Cited by-同舟云学术

An Effective Image Augmenting Technique in Detection of Lung Cancer Types

Published:2022-09-16 Issue: Volume: Page:
ISSN:2548-1304
Container-title:Computer Science
language:en
Short-container-title:BBD

Author:

ARI Berna¹,ALÇİN Ömer Faruk²,ŞENGÜR Abdülkadir³

Affiliation:

1. FIRAT UNIVERSITY, FACULTY OF TECHNOLOGY, DEPARTMENT OF ELECTRICAL AND ELECTRONICS ENGINEERING

2. MALATYA TURGUT ÖZAL ÜNİVERSİTESİ

3. FIRAT ÜNİVERSİTESİ, TEKNOLOJİ FAKÜLTESİ

Abstract

Son yıllarda derin öğrenme mimarilerinin sınıflama ve tahmin üzerine yüksek başarımlara sahip olması bu alanlara ilgiyi artırmıştır. Özellikle medikal alanlarda hastalık tanısında bilgisayar tabanlı karar destek sistemlerinin yaygınlaşması ile veri setlerinin önemi ve paylaşılması da ön plana çıkmıştır. Ancak oluşturulan veri setlerinin derin mimariler için yeterli veri sayısına sahip olmaması sınıflama performansı açısından sorun olabilmektedir. Veri miktarının artırılması ise çoğu zaman maliyetli, zaman alıcı ve ilgili uzmanın her zaman bulunamaması sebebiyle mümkün olamamaktadır. Bahsedilen durumlar veri çoğullama yöntemlerinin devreye girmesini ve bu alana yönelmeyi gerektirmiştir. Bu çalışmada Dalgacık aktivasyon fonksiyonlu Aşırı Öğrenme Makinası Oto Kodlayıcı (D-AÖM-OK) tabanlı veri artırma yöntemi önerilmiştir. Önerilen yöntem dünyadaki kanser oranının en büyük yüzdesini içeren akciğer kanser sınıflaması üzerinde test edilmiştir. Çoğullanan eğitim veri seti GoogLeNet mimarisine giriş olarak uygulanmıştır. D-AÖM-OK’ın performansı çoğullanmamış ve geleneksel çoğullama yöntemleri ile karşılaştırılmıştır. Önerilen yöntem çoğullanmamış duruma kıyasla %11,12, klasik yöntemlerle çoğullanmış veri setine göre ise %2,55 oranında daha yüksek başarım göstermektedir.

Publisher

Anatolian Science - Bilgisayar Bilimleri Dergisi

Reference28 articles.

1. Shorten, C., & Khoshgoftaar, T. M. (2019). A survey on image data augmentation for deep learning. Journal of big data, 6(1), 1-48.

2. Sambasivan, N., Kapania, S., Highfill, H., Akrong, D., Paritosh, P., & Aroyo, L. M. (2021, May). “Everyone wants to do the model work, not the data work”: Data Cascades in High-Stakes AI. In proceedings of the 2021 CHI Conference on Human Factors in Computing Systems (pp. 1-15).

3. Zhang, Y., Choon, N. H., Lin, H., Abd Yusof, N. F., Zhang, Y., & Wang, X. (2022). An Overview of Analysis of Medical Images Using Data Visualization and Deep Learning Applications. Forest Chemicals Review, 2321-2332.

4. Ingle, K., Chaskar, U., & Rathod, S. (2021, July). Lung Cancer Types Prediction Using Machine Learning Approach. In 2021 IEEE International Conference on Electronics, Computing and Communication Technologies (CONECCT) (pp. 01-06). IEEE.

5. Wang, F., Zhong, S. H., Peng, J., Jiang, J., & Liu, Y. (2018, February). Data augmentation for EEG-based emotion recognition with deep convolutional neural networks. In International Conference on Multimedia Modeling (pp. 82-93).