طبقه‌بندی و تشخیص درجه‌ی بدخیمی سرطان پروستات با استفاده از ترکیب ویژگی‌های عمیق و ویژگی‌های آماری بافت تصاویر پاتولوژی

نوع مقاله: مقاله کامل پژوهشی

نویسندگان

1 دانشجوی دکتری مهندسی مخابرات، گروه مخابرات، دانشکده‌ی مهندسی برق و کامپیوتر، دانشگاه بیرجند، بیرجند

2 استاد، گروه مخابرات، دانشکده‌ی مهندسی برق و کامپیوتر، دانشگاه بیرجند، بیرجند

3 دانشجوی پزشکی، دانشگاه علوم پزشکی مشهد، مشهد

10.22041/ijbme.2019.95121.1408

چکیده

سرطان پروستات، به عنوان یکی از مهم­ترین بیماری­های مردان به شمار می‌رود. تشخیص زودهنگام و به موقع این بیماری و درجه­ی پیش‌رفت آن، به روند درمان و جلوگیری از سرایت بیماری به سایر بافت­ها، کمک شایانی می­کند. به منظور تعیین درجه­ی بیماری، از بافت نمونه‌برداری شده و با بررسی ساختار پاتولوژی، نوع درجه تعیین می­گردد. در جدیدترین دسته‌بندی، بافت پروستات به پنج درجه تقسیم­بندی می‌شود که درجه­ی یک، خوش­خیم­ترین حالت و درجه­ی پنج، نشان­دهنده­ی وخیم­ترین حالت بیماری می‌باشد. با توجه به زمان­بر بودن طبقه‌بندی توسط انسان و رشد فناوری هوش مصنوعی، اخیرا این طبقه­بندی­ها توسط الگوریتم­های هوشمند مختلفی انجام می­شود. اگر چه امروزه روش­های قدرت­مندی به منظور توصیف و طبقه­بندی تصاویر، ابداع شده، اما وجود فاصله­ی معناداری میان ادراک بینایی انسان و ویژگی­های سطح پایین استخراج شده توسط الگوریتم­ها، مهم­ترین چالش در راه دست­یابی به دقت مطلوب به شمار می­رود. در این مقاله، با ترکیب ویژگی­های آماری بافت تصویر و ویژگی­های عمیق استخراج شده توسط شبکه­ی عصبی کانولوشن عمیق، روش جدیدی ارائه شده است که در آن، استفاده از شبکه‌ی عصبی کانولوشن عمیق، باعث به دست آمدن ویژگی­های سطح بالا و عمیقی از تصاویر پاتولوژی شده و با ترکیب این ویژگی‌ها با ویژگی­های آماری بافت، دقت طبقه‌بندی افزایش یافته است. به منظور ارزیابی روش پیشنهادی، این روش روی پایگاه داده­ی جامعه­ی بین­المللی آسیب‌شناسی اورولوژی، اعمال شده است. نتایج به دست آمده نشان ­می­دهد که روش پیشنهادی، به دقت بیش‌تری نسبت به سایر روش­های مرسوم برای طبقه‌بندی تصاویر پاتولوژی دست یافته است.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Prostate Cancer Grading and Classification by Combining Deep Features and Stochastic Tissue Features of Pathological Prostate Images

نویسندگان [English]

  • Amir Sezavar 1
  • Hassan Farsi 2
  • Farima Farsi 3
1 Ph.D Student, Faculty of Electrical and Computer Engineering, University of Birjand, Birjand, Iran
2 Professor, Faculty of Electrical and Computer Engineering, University of Birjand, Birjand, Iran
3 Medical Doctoral Student, Mashhad University of Medical Sciences, Mashhad, Iran
چکیده [English]

Prostate cancer is one of the most important diseases of men whose growth can be disrupted by early diagnosis of it. In order to determine the grade of prostate cancer, the biopsy is used and structure of tissue is examined under microscopes. According to new grading system, the prostate tissues are grading to five categories, between 1 to 5, where the highest grade shows the worst condition. Since human grading is time consuming, automatic grading systems have been used since recent years. Although some efficient algorithms have been introduced for image classification, the semantic gap between low-level features and human visual concept is still an important reason not to achieve high precision. In this paper, a new method for prostate cancer grading is presented which uses a combination of deep features, extracted by convolional neural network (CNN), and stochastic tissue features, extracted using multi-level gray level co-occurrence matrixes (ML-GLCM). Therefore, high-level features are achieved by using CNN and by combining with stochastic tissue features, the grading precision is increased. In order to evaluate the proposed method, it is examined on the pathology prostate image database which is generated by international society of urological pathology (ISUP). Experimental results demonstrate that the proposed method achieves more accuracy than state-of-the-art methods on prostate cancer grading.

کلیدواژه‌ها [English]

  • prostate cancer
  • grading
  • pathological images
  • stochastic tissue features
  • convolutional neural network (CNN)
[1]     Site of American cancer society ,Available: http://cdc.gov/cancer/prostate.

[2]     K. Nguyen, B. Sabata, and A. K. Jain, "Prostate cancer grading: Gland segmentation and structural features," Pattern Recognition Letters, vol. 33, pp. 951-961, 2012.

[3]     Site of International Society of Urological Pathology, Available: https://isupweb.org/isup/.

[4]     G. J. O’Dowd, R. W. Veltri, M. C. Miller, and S. Strum, "The Gleason score: A significant biologic manifestation of prostate cancer aggressiveness on biopsy," PCRI Insights, vol. 4, pp. 1-5, 2001.

[5]     K. Jafari-Khouzani and H. Soltanian-Zadeh, "Multiwavelet grading of pathological images of prostate," IEEE Transactions on Biomedical Engineering, vol. 50, pp. 697-704, 2003.

[6]     P.-W. Huang and C.-H. Lee, "Automatic classification for pathological prostate images based on fractal analysis," IEEE transactions on medical imaging, vol. 28, pp. 1037-1050, 2009.

[7]     Y. Guo, Y. Liu, A. Oerlemans, S. Lao, S. Wu, and M. S. Lew, "Deep learning for visual understanding: A review," Neurocomputing, vol. 187, pp. 27-48, 2016.

[8]     I. Arel, D. C. Rose, and T. P. Karnowski, "Deep machine learning-a new frontier in artificial intelligence research," IEEE computational intelligence magazine, vol. 5, pp. 13-18, 2010.

[9]     A. Krizhevsky, I. Sutskever, and G. E. Hinton, "Imagenet classification with deep convolutional neural networks," in Advances in neural information processing systems, pp. 1097-1105, 2012.

[10] M. D. Zeiler and R. Fergus, "Visualizing and understanding convolutional networks," in European conference on computer vision, pp. 818-833, 2014.

[11] K. Simonyan and A. Zisserman, "Very deep convolutional networks for large-scale image recognition," arXiv preprint arXiv:1409-1556, 2014.

[12] C. Szegedy, W. Liu, Y. Jia, P. Sermanet, S. Reed, D. Anguelov, et al., "Going deeper with convolutions," in Proceedings of the IEEE conference on computer vision and pattern recognition, pp. 1-9. 2015.

[13] S. Singh, D. Srivastava, and S. Agarwal, "GLCM and Its Application in Pattern Recognition," 2017 5th International Symposium on Computational and Business Intelligence (ISCBI), PP. 20-25, 2017.

[14] D. Wang, D. J. Foran, J. Ren, H. Zhong, I. Y. Kim, and X. Qi, "Exploring automatic prostate histopathology image gleason grading via local structure modeling," in Engineering in Medicine and Biology Society (EMBC), 2015 37th Annual International Conference of the IEEE, pp. 2649-2652, 2015.

[15] H. Samaratunga, B. Delahunt, L. Egevad, J. R. Srigley, and J. Yaxley, "The evolution of Gleason grading of prostate cancer," Journal of Diagnostic Pathology, vol. 12, 2017.

[16] D. T. Nguyen, T. D. Pham, N. R. Baek, and K. R. Park, "Combining Deep and Handcrafted Image Features for Presentation Attack Detection in Face Recognition Systems Using Visible-Light Camera Sensors," Sensors, vol. 18, p. 699, 2018.