Evaluating the feasibility of thermographic images for predicting breast tumor stage using DCNN

• Autorzy: Khomsi Zakaryae , El Fezazi Mohamed , Elouerghi Achraf , Bellarbi Larbi

Identyfikatory

DOI

10.35784/iapgos.5555

Warianty tytułu

PL

Ocena wydajności obrazów termograficznych do przewidywania stopnia guza piersi przy użyciu DCNN

• Języki publikacji: EN

Abstrakty

EN

Early-stage and advanced breast cancer represent distinct disease processes. Thus, identifying the stage of tumor is a crucial procedure for optimizing treatment efficiency. Breast thermography has demonstrated significant advancements in non-invasive tumor detection. However, the accurate determination of tumor stage based on temperature distribution represents a challenging task, primarily due to the scarcity of thermal images labeled with the stage of tumor. This work proposes a transfer learning approach based on Deep Convolutional Neural Network (DCNN) with thermal images for predicting breast tumor stage. Various tumor stage scenarios including early and advanced tumors are embedded in a 3D breast model using the Finite Element Method (FEM) available on COMSOL Multiphysics software. This allows the generation of the thermal image dataset for training the DCNN model. A detailed investigation of the hyperparameters tuning process has been conducted to select the optimal predictive model. Thus, various evaluation metrics, including accuracy, sensitivity, and specificity, are computed using the confusion matrix. The results demonstrate the DCNN model's ability to accurately predict breast tumor stage from thermographic images, with an accuracy of 98.2%, a sensitivity of 98.8%, and a specificity of 97.7%. This study indicates the promising potential of thermographic images in enhancing deep learning algorithms for the non-invasive prediction of breast tumor stage.

PL

Wczesny i zaawansowany rak piersi stanowią odrębne procesy chorobowe. Dlatego też identyfikacja stadium nowotworu jest kluczową procedurą dla optymalizacji skuteczności leczenia. Termografia piersi wykazała znaczny postęp w nieinwazyjnym wykrywaniu nowotworów. Jednak dokładne określenie stopnia zaawansowania nowotworu na podstawie rozkładu temperatury stanowi trudne zadanie, głównie ze względu na niedobór obrazów termicznych oznaczonych stopniem zaawansowania nowotworu. W niniejszej pracy zaproponowano podejście uczenia transferowego oparte na głębokiej konwolucyjnej sieci neuronowej (DCNN) z obrazami termicznymi do przewidywania stadium guza piersi. Różne scenariusze stadium nowotworu, w tym guzy wczesne i zaawansowane, są osadzone w trójwymiarowym modelu piersi przy użyciu metody elementów skończonych (MES) dostępnej w oprogramowaniu COMSOL Multiphysics. Pozwala to na wygenerowanie zestawu danych obrazów termicznych do trenowania modelu DCNN. Przeprowadzono szczegółowe badanie procesu dostrajania hiperparametrów w celu wybrania optymalnego modelu predykcyjnego. W związku z tym różne wskaźniki oceny, w tym dokładność, czułość i swoistość, są obliczane przy użyciu macierzy pomyłek. Wyniki pokazują zdolność modelu DCNN do dokładnego przewidywania stadium guza piersi na podstawie obrazów termograficznych, z dokładnością 98,2%, czułością 98,8% i swoistością 97,7%. Badanie to wskazuje na obiecujący potencjał obrazów termograficznych w ulepszaniu algorytmów głębokiego uczenia się w celu nieinwazyjnego przewidywania stadium guza piersi.

Słowa kluczowe

EN

image analysis; classification; tumor prediction; transfer learning; thermography

PL

analiza obrazu; klasyfikacja; przewidywanie nowotworów; uczenie transferowe; termografia

• Wydawca: Wydawnictwo Politechniki Lubelskiej
• Czasopismo: Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska
• Rocznik: 2024
• Tom: T. 14, nr 1
• Strony: 99--104
• Opis fizyczny: Bibliogr. 20 poz., rys., tab., wykr.

Twórcy

autor

Khomsi Zakaryae

• Mohammed V University in Rabat, Ecole Nationale Supérieure d’Arts et Métiers (ENSAM), Ecole Nationale Supérieure d’Informatique et d’Analyse des Systèmes (ENSIAS), Electronic Systems Sensors and Nanobiotechnologies (E2SN), Rabat, Morocco

• https://orcid.org/0000-0003-2321-9622

autor

El Fezazi Mohamed

• Mohammed V University in Rabat, Ecole Nationale Supérieure d’Arts et Métiers (ENSAM), Ecole Nationale Supérieure d’Informatique et d’Analyse des Systèmes (ENSIAS), Electronic Systems Sensors and Nanobiotechnologies (E2SN), Rabat, Morocco

• https://orcid.org/0000-0001-6072-325X

autor

Elouerghi Achraf

• Mohammed V University in Rabat, Ecole Nationale Supérieure d’Arts et Métiers (ENSAM), Ecole Nationale Supérieure d’Informatique et d’Analyse des Systèmes (ENSIAS), Electronic Systems Sensors and Nanobiotechnologies (E2SN), Rabat, Morocco

• https://orcid.org/0000-0001-5880-0172

autor

Bellarbi Larbi

• Mohammed V University in Rabat, Ecole Nationale Supérieure d’Arts et Métiers (ENSAM), Ecole Nationale Supérieure d’Informatique et d’Analyse des Systèmes (ENSIAS), Electronic Systems Sensors and Nanobiotechnologies (E2SN), Rabat, Morocco

• https://orcid.org/0009-0004-5074-3117

Bibliografia

• [1] Ahlawat P. et al.: Tumour Volumes: Predictors of Early Treatment Response in Locally Advanced Head and Neck Cancers Treated with Definitive Chemoradiation. Reports of Practical Oncology and Radiotherapy 21(5), 2016, 419–426 [https://doi.org/10.1016/j.rpor.2016.04.002].
• [2] Alghamdi S. et al.: The Impact of Reporting Tumor Size in Breast Core Needle Biopsies on Tumor Stage: A Retrospective Review of Five Years of Experience at a Single Institution. Annals of Diagnostic Pathology, vol. 38, 2019, 26–28 [https://doi.org/10.1016/j.anndiagpath.2018.10.002].
• [3] De Miglio M. R., Mello-Thoms C.: Editorial: Reviews in Breast Cancer. Frontiers in Oncology 13, 2023, 1161583 [https://doi.org/10.3389/fonc.2023.1161583].
• [4] Farhangi F.: Investigating the Role of Data Preprocessing, Hyperparameters Tuning, and Type of Machine Learning Algorithm in the Improvement of Drowsy EEG Signal Modeling. Intelligent Systems with Applications 15, 2022, 200100 [https://doi.org/10.1016/j.iswa.2022.200100].
• [5] Gavazzi S. et al.: Advanced Patient-Specific Hyperthermia Treatment Planning. International Journal of Hyperthermia 37(1), 2020, 992–1007 [https://doi.org/10.1080/02656736.2020.1806361].
• [6] Giuliano A. E. et al.: Breast Cancer-Major Changes in the American Joint Committee on Cancer Eighth Edition Cancer Staging Manual. CA: A Cancer Journal for Clinicians 67(4), 2017, 290–303 [https://doi.org/10.3322/caac.21393].
• [7] Horvath L. E. et al.: The Relationship between Tumor Size and Stage in Early versus Advanced Ovarian Cancer. Medical Hypotheses 80(5), 2013, 684–687 [https://doi.org/10.1016/j.mehy.2013.01.027].
• [8] Huang W. et al.: Wearable Health Monitoring System Based on Layered 3D-Mobilenet. Procedia Computer Science 202, 2022, 373–378 [https://doi.org/10.1016/j.procs.2022.04.051].
• [9] Jacob G. et al.: Breast Cancer Detection: A Comparative Review on Passive and Active Thermography. Infrared Physics and Technology 134, 2023, 104932 [https://doi.org/10.1016/j.infrared.2023.104932].
• [10] Jones S. C. et al.: Australian Women’s Perceptions of Breast Cancer Risk Factors and the Risk of Developing Breast Cancer. Women’s Health Issues 21(5), 2011, 353–360 [https://doi.org/10.1016/j.whi.2011.02.004].
• [11] Kandlikar S. G. et al.: Infrared Imaging Technology for Breast Cancer Detection – Current Status, Protocols and New Directions. International Journal of Heat and Mass Transfer 108, 2017, 2303–2320 [https://doi.org/10.1016/j.ijheatmasstransfer.2017.01.086].
• [12] Khomsi Z. et al.: Towards Development of Synthetic Data in Surface Thermography to Enable Deep Learning Models for Early Breast Tumor Prediction. Masrour T. et al. (eds): Artificial Intelligence and Industrial Applications. Springer Cham, Switzerland, [https://doi.org/10.1007/978-3-031-43520-1_30]. 2023, 356–365
• [13] Lu S. Y. et al.: A Classification Method for Brain MRI via MobileNet and Feedforward Network with Random Weights. Pattern Recognition Letters 140, 2020, 252–260 [https://doi.org/10.1016/j.patrec.2020.10.017].
• [14] Magario M. B. et al.: Mammography Coverage and Tumor Stage in the Opportunistic Screening Context. Clinical Breast Cancer 19(6), 2019, 456–459 [https://doi.org/10.1016/j.clbc.2019.04.014].
• [15] Muruganandam S. et al.: A Deep Learning Based Feed Forward Artificial Neural Network to Predict the K-Barriers for Intrusion Detection Using a Wireless Sensor Network. Measurement: Sensors 25, 2023, 100613 [https://doi.org/10.1016/j.measen.2022.100613].
• [16] Ragab M. et al.: Heat Transfer in Biological Spherical Tissues during Hyperthermia of Magnetoma. Biology 10(12), 2021, 1–16 [https://doi.org/10.3390/biology10121259].
• [17] Rahman M. H. et al.: Real-Time Face Mask Position Recognition System Based MobileNet Model. Smart Health 28, 2023, 100382 [https://doi.org/10.1016/j.smhl.2023.100382].
• [18] Sardanelli F., Helbich T. H.: Mammography: EUSOBI Recommendations for Women’s Information. Insights into Imaging 3(1), 2012, 7–10 [https://doi.org/10.1007/s13244-011-0127-y].
• [19] Wang H. et al.: A Model for Detecting Safety Hazards in Key Electrical Sites Based on Hybrid Attention Mechanisms and Lightweight Mobilenet. Energy Reports 7, 2021, 716–724 [https://doi.org/10.1016/j.egyr.2021.09.200].
• [20] Zhu D. et al.: Efficient Precision-Adjustable Architecture for Softmax Function in Deep Learning. IEEE Transactions on Circuits and Systems II: Express Briefs 67(12), 2020, 3382–3386 [https://doi.org/10.1109/TCSII.2020.3002564].