Огляд методів виявлення раку молочної залози з використанням штучного інтелекту і методів поглибленого навчання
Nowadays, there are many related works and methods that use Neural Networks to detect the breast cancer. However, usually they do not take into account the training time and the result of False Negative (FN) while training the model. The main idea of this paper is to compare already existing methods...
Збережено в:
| Дата: | 2021 |
|---|---|
| Автор: | |
| Формат: | Стаття |
| Мова: | Англійська |
| Опубліковано: |
The National Technical University of Ukraine "Igor Sikorsky Kyiv Polytechnic Institute"
2021
|
| Теми: | |
| Онлайн доступ: | https://journal.iasa.kpi.ua/article/view/222779 |
| Теги: |
Додати тег
Немає тегів, Будьте першим, хто поставить тег для цього запису!
|
| Назва журналу: | System research and information technologies |
| Завантажити файл: |  |
Репозитарії
System research and information technologies| _version_ | 1867334409355526144 |
|---|---|
| author | Naderan, Maryam |
| author_facet | Naderan, Maryam |
| author_institution_txt_mv | [
{
"author": "Maryam Naderan",
"institution": "Educational and Scientific Complex \"Institute for Applied System Analysis\" of the National Technical University of Ukraine \"Igor Sikorsky Kyiv Polytechnic Institute\", Kyiv"
}
] |
| author_sort | Naderan, Maryam |
| baseUrl_str | http://journal.iasa.kpi.ua/oai |
| collection | OJS |
| datestamp_date | 2021-07-13T11:01:37Z |
| description | Nowadays, there are many related works and methods that use Neural Networks to detect the breast cancer. However, usually they do not take into account the training time and the result of False Negative (FN) while training the model. The main idea of this paper is to compare already existing methods for detecting the breast cancer using Deep Learning Algorithms. Moreover, since the breast cancer is one of the most common lethal cancers and early detection helps prevent complications, we propose a new approach and the use of the convolutional autoencoder. This proposed model has shown high performance with sensitivity, precision, and accuracy of 93,50%, 91,60% and 93% respectively. |
| doi_str_mv | 10.20535/SRIT.2308-8893.2021.1.08 |
| first_indexed | 2025-07-17T10:27:02Z |
| format | Article |
| fulltext |
M. Naderan, 2021
98 ISSN 1681–6048 System Research & Information Technologies, 2021, № 1
UDC 004.855.5
DOI: 10.20535/SRIT.2308-8893.2021.1.08
REVIEW METHODS FOR BREAST CANCER DETECTION
USING ARTIFICIAL INTELLIGENCE
AND DEEP LEARNING METHODS
M. NADERAN
Abstract. Nowadays, there are many related works and methods that use Neural
Networks to detect the breast cancer. However, usually they do not take into account
the training time and the result of False Negative (FN) while training the model. The
main idea of this paper is to compare already existing methods for detecting the
breast cancer using Deep Learning Algorithms. Moreover, since the breast cancer is
one of the most common lethal cancers and early detection helps prevent complica-
tions, we propose a new approach and the use of the convolutional autoencoder.
This proposed model has shown high performance with sensitivity, precision, and
accuracy of 93,50%, 91,60% and 93% respectively.
Keywords: convolutional autoencoder, breast cancer detection, machine learning
algorithms, convolutional neural networks, medical image classification.
INTRODUCTION
Breast Cancer is the second most deadly cancer mostly in women in age 20–59
worldwide. There are two classes for Breast Cancer: benign and malignant. The
benign tumor cells are non–cancerous cells and grow only locally and cannot
spread by invasion. Where as malignant tumor is cancerous, and the cells can
grow and spread to other parts of the body. However, early detection of breast
cancer could prevent cancer growth. For this reason, it is essential to train neural
networks with more accurate performance and with low false negative results.
According to [1], one in every eight women in the United States of America
has breast cancer over their lifetime. Due to early detection and increased breast
cancer awareness, there were an estimated 375,900 fewer breast cancer deaths
in 2017.
REVIEW OF PREVIOUS WORKS
Authors in [2] proposed modified deep learning model where they compared two
neural networks VGG and Resnet 50. In addition, they demonstrated how the
number of epochs could change the performance of the model. In their experi-
ment, the accuracy of Resnet 50 was 97% and VGG 84% with number of epoch
198 and 25, respectively. The advantage of this work is that authors worked with
a whole image, which could combine two steps of preprocessing data. The first
step is sliding images to recognize local patches for generating a grid of probabil-
istic outputs. Second step is processing to summarize the patch classifier’s out-
puts. The limitation of this work is that authors did not include sensitivity of the
model.
Review methods for breast cancer detection using artificial intelligence and deep learning methods
Системні дослідження та інформаційні технології, 2021, № 1 99
In [3] authors compared different methods for pre-processing data. Ac-
cording to the experiments, using a resample filter on input data could increase
the performance of the model. Besides that, authors compared three different clas-
sifier Decision Tree (J48), NB and Sequential Minimal Optimization (SMO) on
two different datasets and classifier J48 has shown the best result.
Selection of the most informative features as a classifier input is an essential
task. Authors in [4] used Principle Component Analysis (PCA) method to de-
crease the dimensions of the feature map that will be sent to the classifier. How-
ever, there are some limitations in using PCA as a feature reduction. First, PCA is
a linear relationship between features. Second, it is sensitive to the scale of the
features. Third, it assumes a correlation between features and if features are not
correlated, then PCA is unable to complete the principal components. To solve
this problem, the Convolutional Autoencoder can be used for reducing the dimen-
sionality of feature maps.
Dalal Bardou and other authors in [5] proposed CNN model where they
compared the result of the accuracy for different magnification factors 40X,
100X, 200X and 400X. They demonstrated the result of the accuracy on 40X
zoom that shows better result comparing other magnification zoom where it was
94,65%, 94,07%, 94,54% and 93,77% for 40X, 100X, 200X and 400X, respec-
tively. Moreover, they demonstrate how pre-processing data is an essential task
that must be considered while training convolutional neural networks.
Dataset BIRADS was used in experiments [6], where Support Vector Ma-
chine (SVM) method was considered for classifying breast cancer. The BIRADS
dataset contain 516 benign and 445 malignant cases. During experiments authors
improved the SVM model to increase false positive rate to only 13%. Moreover,
SVM was compared with other methods like Decision tree, Naïve bayes, neural
network and auto multilayer perceptron (MLP). Comparison result showed that
sensitivity of decision tree is higher than other methods and it is 86,44%. How-
ever, the accuracy for decision tree was 78,79%. As a result, it could be con-
cluded that the low result of accuracy does not mean a low result of sensitivity.
Thus, for sensitive tasks like breast cancer detection, it is essential to consider
both sensitivity and precision.
Even though SVM shows high performance [7], it cannot be used directly on
images unless some pre-processing were applied on the images to extracting in-
formative features. For example, in [8] authors used VGG as a feature extraction
and applied SVM on the output of the VGG19 for classification.
Authors in [9] consider two essential tasks for training CNN: feature extrac-
tion, and fine tuning. During the experiment, CNN VGG-16 was used for feature
extraction and ANFIS used for classification as well as SVM for compressing
reason. Result of the experiment shows the combination of the CNN VGG-16 and
ANFIST demonstrate high performance with precision 88,39%. Whereas preci-
sion of the architecture VGG + SVM was 87,10%.
DATASET
The BreakHis dataset was used during the experiments. The dataset includes two
classes Benign and Malignant. There are 2,480 cases belonging to the benign cat-
egory and 5,429 scans belonging to the malignant category. There were 5,536
M. Naderan
ISSN 1681–6048 System Research & Information Technologies, 2021, № 1 100
training scans, 709 validation scans, and 1,581 test scans. Experiments showed
even though the dataset is imbalanced, it will not affect the performance of the
model.
PRE-PROCESSING
There were a few steps that were considered before using the data. First, on the
input data normalization was applied. Then, all data were resized using lossless
compression from 700 by 460 pixels to 176 by 116 pixels. The use of lossless
compression was used to reduce the input size of the data without destroying any
critical information and while also preserving the aspect ratio thus maintaining the
integrity of the data.
METHOD
In the current paper, a new architecture of convolutional autoencoder was pro-
posed, where sensitivity of the model was 93,50%. Moreover, the training time
was considerably lower than in the reviewed existing models.
Increasing performance of the model, required extracting the most important
features. The proposed hybrid convolutional network consists of two models of
convolutional autoencoder as a selection of informative features and convolu-
tional network as a classifier. Only after achieving the most essential features, the
fully connected layer was applied on the output of the convolutional layers for
classifying input images as benign or malignant. The figure below demonstrates
the architecture of the hybrid convolutional neural network.
CONCLUSION
In this paper several works by various authors were reviewed. These works fo-
cused on the topic of image classification in the classification of cancer. These
works tend to rely on accuracy, while sometimes neglecting the importance of
sensitivity. The reviewed papers contain informative topics and ideas such as the
authors in [3] use of resampling of input data as a pre-processing technique to
C
on
vo
lu
tio
na
l
la
ye
r 1
Convolutional
layer
Deconvolutional
layer
Po
ol
in
g
n
Po
ol
in
g
n
C
on
vo
lu
tio
na
l
la
ye
r
n
Cancer
p(
y|
x)
Output
No
Cancer Pre-
processing Input
Softmax Layer
(Classifier)
Encoded
vector
Encoder
Аrchitecture of the proposed hybrid convolutional neural network
Review methods for breast cancer detection using artificial intelligence and deep learning methods
Системні дослідження та інформаційні технології, 2021, № 1 101
improve the results of the J48 network method. The analysis of accuracy in regard
to different zoom levels, of the images in the dataset was proposed by authors in
[5]. Authors in [8] show the use of feature extraction prior to classification using
the SVM method.
According to the research and comparing related works, some of them used
methods that showed high performance. However, those models are complex, and
the training time is considerably high. In this paper, the proposed model showed
higher performance with less training time. Faster training time is because as fea-
ture extraction, modified convolution autoencoder was used. Moreover, extraction
of only informative features helped to increase the performance of the model. The
sensitivity of the model has shown 93,50%.
REFERENCES
1. Breast Cancer Facts. Available: https://www.nationalbreastcancer.org/breast-cancer-
facts
2. L. Shen et al., “Deep Learning to Improve Breast Cancer Detection on Screening
Mammography”, Sci Rep, 9, 12495, 2019. Available: https://doi.org/10.1038/s41598-019-
48995-4
3. S.A. Mohammed, S. Darrab, S.A. Noaman, and G. Saake, “Analysis of Breast
Cancer Detection Using Different Machine Learning Techniques”, in Data Min-
ing and Big Data. DMBD 2020. Communications in Computer and Information
Science, vol. 1234, 2020. Springer, Singapore. Available: https://doi.org/
10.1007/978-981-15-7205-0_10
4. Habib Dhahri, Eslam Al Maghayreh, Awais Mahmood, Wail Elkilani, and Moham-
med Faisal Nagi, “Automated Breast Cancer Diagnosis Based on Machine Learning
Algorithms”, Journal of Healthcare Engineering, vol. 2019, article ID 4253641,
11 pages, 2019. Available: https://doi.org/10.1155/2019/4253641.
5. Dalal Bardou, Kun Zhangi and Sayed Mohammad Ahmad, “Classification of Breast
Cancer Based on Histology Images Using Convolutional Neural Networks”, 2018
IEEE, vol. 6, 2018.
6. Sandeep Chaurasia, Prasun Chakrabarti, and Neha Chourasia, “Prediction of Breast
Cancer Biopsy Outcomes – An Approach using Machine Leaning Perspectives”, In-
ternational Journal of Computer Applications, vol. 100, no.9, 2014.
7. Md. Milon Islam, Hasib Iqbal, Md. Rezwanul Haque, and Md. Kamrul Hasan, “Pre-
diction of Breast Cancer Using Support Vector Machine and K-Nearest Neighbors”,
2017 IEEE Region 10 Humanitarian Technology Conference (R10-HTC), 21–23 Dec
2017, Dhaka, Bangladesh.
8. Md. Kamrul Hasan and Tajwar Abrar Aleef, “Automatic Mass Detection in Breast
Using Deep Convolutional Neural Network and SVM Classifier”, arXiv preprint
arXiv:1907.04424v1 [cs.CV], 9 Jul 2019.
9. Yuriy P. Zaychenko, Kostiantyn A. Zdor, and Galib Hamidov, “Brain tumor diag-
nostics with application of hybrid fuzzy convolutional neural networks”, System Re-
search and Information Technologies, no. 1, 2020. Available: https://doi.org/10.
20535/SRIT.2308-8893.2020.1.06.
Received 26.01.2021
INFORMATION ON THE ARTICLE
Maryam Naderan, Educational and Scientific Complex “Institute for Applied System
Analysis” of the National Technical University of Ukraine “Igor Sikorsky Kyiv Polytech-
nic Institute”, Ukraine, e-mail: ma.naderan@gmail.com
M. Naderan
ISSN 1681–6048 System Research & Information Technologies, 2021, № 1 102
ОГЛЯД МЕТОДІВ ВИЯВЛЕННЯ РАКУ МОЛОЧНОЇ ЗАЛОЗИ З
ВИКОРИСТАННЯМ ШТУЧНОГО ІНТЕЛЕКТУ І МЕТОДІВ ПОГЛИБЛЕНОГО
НАВЧАННЯ / М. Надеран
Анотація. Існує безліч схожих праць і методів, у яких використовуються ней-
ронні мережі для виявлення раку молочної залози. Утім зазвичай у них не вра-
ховуються час навчання і результати помилкового негативного FN під час на-
вчання моделі. Основною ідеєю цієї роботи є порівняння вже наявних методів
виявлення раку молочної залози з використанням глибоких алгоритмів на-
вчання. Оскільки рак молочної залози є одним з найбільш поширених смерте-
льних видів раку, а його раннє виявлення запобігає ускладненням, запропоно-
вано новий підхід і використання згорткового автоенкодера. Запропонована
модель показала високу продуктивність із чутливістю (recall), точністю
(precision) і точністю (accuracy) 93,50%, 91,60% і 93% відповідно.
Ключові слова: згортковий автоенкодер, розпізнавання рака молочної залози,
алгоритми машинного навчання, згорткові нейронні мережі, класифікація ме-
дичних зображень.
ОБЗОР МЕТОДОВ ВЫЯВЛЕНИЯ РАКА МОЛОЧНОЙ ЖЕЛЕЗЫ С
ИСПОЛЬЗОВАНИЕМ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА И МЕТОДОВ
ГЛУБОКОГО ОБУЧЕНИЯ / М. Надеран
Аннотация. Существует множество похожих работ и методов, в которых ис-
пользуются нейронные сети для обнаружения рака молочной железы. Однако
обычно в них не учитываются время обучения и результаты ложного отрица-
тельного FN при обучении модели. Основной идеей этой работы является
сравнение уже существующих методов обнаружения рака молочного железы с
использованием глубоких алгоритмов обучения. Поскольку рак молочной же-
лезы является одним из наиболее распространенных смертельных видов рака,
а его раннее обнаружение предотвращает осложнения, предложен новый под-
ход и использование сверточного автоэнкодера. Предложенная модель показа-
ла высокую производительность с чувствительностью (recall), точностью
(precision) и точностью (accuracy) 93,50%, 91,60% и 93% соответственно.
Ключевые слова: сверточный автоэнкодер, распознавание рака молочной же-
лезы, алгоритмы машинного обучения, сверточные нейронные сети, класси-
фикация медицинских изображений.
|
| id | journaliasakpiua-article-222779 |
| institution | System research and information technologies |
| keywords_txt_mv | keywords |
| language | English |
| last_indexed | 2025-07-17T10:27:02Z |
| publishDate | 2021 |
| publisher | The National Technical University of Ukraine "Igor Sikorsky Kyiv Polytechnic Institute" |
| record_format | ojs |
| resource_txt_mv | journaliasakpiua/e9/36c9cd88a9428e1660b6b48bb0c01ae9.pdf |
| spelling | journaliasakpiua-article-2227792021-07-13T11:01:37Z Review methods for breast cancer detection using artificial intelligence and deep learning methods Обзор методов выявления рака молочной железы с использованием искусственного интеллекта и методов глубокого обучения Огляд методів виявлення раку молочної залози з використанням штучного інтелекту і методів поглибленого навчання Naderan, Maryam згортковий автоенкодер розпізнавання рака молочної залози алгоритми машинного навчання згорткові нейронні мережі класифікація медичних зображень сверточный автоэнкодер распознавание рака молочной железы алгоритмы машинного обучения сверточные нейронные сети классификация медицинских изображений convolutional autoencoder breast cancer detection machine learning algorithms convolutional neural networks medical image classification Nowadays, there are many related works and methods that use Neural Networks to detect the breast cancer. However, usually they do not take into account the training time and the result of False Negative (FN) while training the model. The main idea of this paper is to compare already existing methods for detecting the breast cancer using Deep Learning Algorithms. Moreover, since the breast cancer is one of the most common lethal cancers and early detection helps prevent complications, we propose a new approach and the use of the convolutional autoencoder. This proposed model has shown high performance with sensitivity, precision, and accuracy of 93,50%, 91,60% and 93% respectively. Аннотация. Существует множество похожих работ и методов, в которых используются нейронные сети для обнаружения рака молочной железы. Однако обычно в них не учитываются время обучения и результаты ложного отрицательного FN при обучении модели. Основной идеей этой работы является сравнение уже существующих методов обнаружения рака молочного железы с использованием глубоких алгоритмов обучения. Поскольку рак молочной железы является одним из наиболее распространенных смертельных видов рака, а его раннее обнаружение предотвращает осложнения, предложен новый подход и использование сверточного автоэнкодера. Предложенная модель показала высокую производительность с чувствительностью (recall), точностью (precision) и точностью (accuracy) 93,50%, 91,60% и 93% соответственно. Існує безліч схожих праць і методів, у яких використовуються нейронні мережі для виявлення раку молочної залози. Утім зазвичай у них не враховуються час навчання і результати помилкового негативного FN під час навчання моделі. Основною ідеєю цієї роботи є порівняння вже наявних методів виявлення раку молочної залози з використанням глибоких алгоритмів навчання. Оскільки рак молочної залози є одним з найбільш поширених смертельних видів раку, а його раннє виявлення запобігає ускладненням, запропоновано новий підхід і використання згорткового автоенкодера. Запропонована модель показала високу продуктивність із чутливістю (recall), точністю (precision) і точністю (accuracy) 93,50%, 91,60% і 93% відповідно. The National Technical University of Ukraine "Igor Sikorsky Kyiv Polytechnic Institute" 2021-07-13 Article Article application/pdf https://journal.iasa.kpi.ua/article/view/222779 10.20535/SRIT.2308-8893.2021.1.08 System research and information technologies; No. 1 (2021); 98-102 Системные исследования и информационные технологии; № 1 (2021); 98-102 Системні дослідження та інформаційні технології; № 1 (2021); 98-102 2308-8893 1681-6048 en https://journal.iasa.kpi.ua/article/view/222779/235363 |
| spellingShingle | згортковий автоенкодер розпізнавання рака молочної залози алгоритми машинного навчання згорткові нейронні мережі класифікація медичних зображень Naderan, Maryam Огляд методів виявлення раку молочної залози з використанням штучного інтелекту і методів поглибленого навчання |
| title | Огляд методів виявлення раку молочної залози з використанням штучного інтелекту і методів поглибленого навчання |
| title_alt | Review methods for breast cancer detection using artificial intelligence and deep learning methods Обзор методов выявления рака молочной железы с использованием искусственного интеллекта и методов глубокого обучения |
| title_full | Огляд методів виявлення раку молочної залози з використанням штучного інтелекту і методів поглибленого навчання |
| title_fullStr | Огляд методів виявлення раку молочної залози з використанням штучного інтелекту і методів поглибленого навчання |
| title_full_unstemmed | Огляд методів виявлення раку молочної залози з використанням штучного інтелекту і методів поглибленого навчання |
| title_short | Огляд методів виявлення раку молочної залози з використанням штучного інтелекту і методів поглибленого навчання |
| title_sort | огляд методів виявлення раку молочної залози з використанням штучного інтелекту і методів поглибленого навчання |
| topic | згортковий автоенкодер розпізнавання рака молочної залози алгоритми машинного навчання згорткові нейронні мережі класифікація медичних зображень |
| topic_facet | згортковий автоенкодер розпізнавання рака молочної залози алгоритми машинного навчання згорткові нейронні мережі класифікація медичних зображень сверточный автоэнкодер распознавание рака молочной железы алгоритмы машинного обучения сверточные нейронные сети классификация медицинских изображений convolutional autoencoder breast cancer detection machine learning algorithms convolutional neural networks medical image classification |
| url | https://journal.iasa.kpi.ua/article/view/222779 |
| work_keys_str_mv | AT naderanmaryam reviewmethodsforbreastcancerdetectionusingartificialintelligenceanddeeplearningmethods AT naderanmaryam obzormetodovvyâvleniârakamoločnojželezysispolʹzovaniemiskusstvennogointellektaimetodovglubokogoobučeniâ AT naderanmaryam oglâdmetodívviâvlennârakumoločnoízalozizvikoristannâmštučnogoíntelektuímetodívpogliblenogonavčannâ |