Classification of Lung Cancer Nodules using SVM Kernels

Abstract

Support Vector Machines (SVM) is a machine learning method used for classifying the system. It analyses and identifies the categories using the trained data. It is widely used in medical field for diagnosing the disease. The proposed method consists of four phases. They are lung extraction, segmentation of lung region, feature extraction and finally classification of normal, benign and malignancy in the lung. Threat pixel identification with region growing method is used for segmentation of focal areas in the lung. For feature extraction gray level co-occurrence Matrix (GLCM) is been used. Extracted features are classified using different kernels of Support Vector Machine (SVM). The experimentation is performed with the help of real time computer tomography images.

Estado del arte de clasificación de nódulos pulmonares utilizando Aprendizaje Automático

“…Parven y Kavitha [15] proponen un sistema que considera cuatro etapas (i) preprocesamiento donde extraen la región del pulmón de la TC (ii) segmentación para identificar regiones del pulmón con nódulos (iii) extracción de características utilizando una matriz de co-ocurrencia de nivel de gris (iv) clasificación de nódulos en benignos y malignos utilizando máquina de vector soporte con distintos kernels (lineal, cuadrático polinomial y función de base radial). Utilizan un dataset con TC de 11 pacientes de un hospital reconocido.…”

“…Para realizar el preprocesamiento [14] aplica un filtro difuso, el cual comúnmente se utiliza para disminuir el ruido de imágenes. Por otra parte [15] emplea técnicas de binarización, etiquetado, encogimiento y expansión.…”

“…Mediante el aprendizaje automático se pueden detectar y predecir patrones [4], ha mostrado ser efectivo en aplicaciones delámbito médico, tales como: detección temprana de enfermedades, planificación quirúrgica, análisis de patologías, oncología y radiología. El aprendizaje automático es una de las disciplinas de la inteligencia artificial, que emplea estadística, probabilidad y técnicas de optimización, para comprender reglas complicadas y características de alta dimensión; en el tema de cáncer de pulmón se ha aplicado para detectarlo [5], clasificar la gravedad del cáncer [6], predecir la supervivencia de pacientes [7], clasificar el cáncer de pulmón [8,9] y clasificar nódulos pulmonares [10][11][12][13][14][15][16][17][18][19].…”

Taxonomic indexes for differentiating malignancy of lung nodules on CT images

“…CADx systems would allow for the reduction of the number of unnecessary biopsies in patients with benign tumors, preventing physical and mental depression inpatients. Thus, CADx acts as a second opinion, aiding experts to achieve accurate and efficient diagnosis of cancer cells in the earlier stages of the disease (Parveen and Kavitha, 2014).…”

“…Dandil et al (2014) proposed a methodology based on texture features using Principal Component Analysis (PCA) and Artificial Neural Network (ANN), with an accuracy rate of 90.63%. Parveen and Kavitha (2014) proposed a methodology based on texture features using SVM, with a sensitivity rate of 91.38% and specificity rate of 89.56%. Kuruvilla and Gunavathi (2014) proposed a method based on texture features using ANN, with an accuracy rate of 93.30%.…”