DEEP LEARNING WITH CONVOLUTIONAL NEURAL NETWORK FOR CLASSIFICATION OF HEPATOCELLULAR CARCINOMA ON MAGNETIC RESONANCE IMAGING

Abstract

Hepatocellular carcinoma is one of the leading causes of death globally. It is the only type of cancer that can be diagnosed using radiological imaging, without the need for a biopsy. The best diagnostic technique is magnetic resonance imaging (MRI), as it can visualize tissue differences effectively. However, it still relies on radiologists for diagnosis, which can cause delays in treatment due to their limited numbers. This research aims to develop a model for binary classification of hepatocellular carcinoma and non-hepatocellular carcinoma from magnetic resonance imaging (MRI) using deep learning techniques with the convolutional neural network (CNN) architectures VGG16 and ResNet-50. The four experimental setups were conducted with variations in model architectures and parameters. The researchers utilized data from MRI images from The Cancer Imaging Archive (TCIA) database, comprising 2,251 images. The ResNet-50 model outperformed VGG16 in all four experimental setups, with ResNet-50 Version 2 achieving the highest accuracy of 0.69. Analyzing False Negatives (FN) matrices revealed that VGG16 Version 2 had fewer false negatives than ResNet-50 Version 2, with 32 and 54 misclassified images, respectively. These results indicate that deep learning with convolutional neural networks can effectively classify hepatocellular carcinoma. Furthermore, the choice of model type significantly impacts model performance. In this study, the ResNet-50 CNN architecture outperformed VGG16 in terms of accuracy, but when considering False Negatives, VGG16 demonstrated a better performance than ResNet-50.

โรคมะเร็งตับเป็นหนึ่งในสาเหตุการเสียชีวิตอันดับต้น ๆ ของคนทั่วโลก และเป็นมะเร็งเพียงชนิดเดียวที่สามารถวินิจฉัยโดยใช้ภาพถ่ายทางรังสีวินิจฉัยได้ ไม่จำเป็นต้องใช้การตรวจแบบตัดชิ้นเนื้อ (Biopsy) ซึ่งเทคนิคการตรวจที่ดีที่สุด คือ การตรวจคลื่นแม่เหล็กไฟฟ้า (Magnetic Resonance Imaging) เพราะสามารถเห็นความแตกต่างของเนื้อเยื่อได้ดี แต่ทั้งนี้ก็ต้องอาศัยรังสีแพทย์ในการวินิจฉัยโรค เนื่องด้วยแพทย์มีจำนวนน้อยจึงส่งผลให้เกิดความล่าช้าในการรักษา งานวิจัยนี้จึงมีวัตถุประสงค์เพื่อสร้างแบบจำลองการจำแนกการเป็นโรคมะเร็งตับและไม่เป็นโรคมะเร็งตับ (Binary Classification) จากภาพการตรวจคลื่นแม่เหล็กไฟฟ้าโดยใช้แบบจำลองโครงสร้างโครงข่ายประสาทเทียมคอนโวลูชัน VGG16 และ ResNet-50 โดยมีการปรับโครงสร้างแบบจำลองและค่าพารามิเตอร์ต่าง ๆ เป็นทั้งหมด 4 ชุดการทดลอง (Version) ซึ่งผู้วิจัยใช้ข้อมูลจากภาพถ่ายการตรวจคลื่นแม่เหล็กไฟฟ้าของฐานข้อมูล The Cancer Imaging Archive (TCIA) จำนวน 2,251 รูป โดยแบบจำลอง ResNet-50 มีประสิทธิภาพมากกว่าแบบ VGG16 ในทุกผลการทดลองทั้งหมด 4 ชุด และแบบจำลอง ResNet-50 Version 2 มีค่า Accuracy มากที่สุด โดยมีค่าเท่ากับ 0.69 หากวิเคราะห์ด้วยเมทริกซ์ False Negatives (FN) แบบจำลอง VGG16 Version 2 มีค่า False Negatives น้อยกว่า ResNet-50 Version 2 โดยมีรูปที่ถูกทายเป็น False Negatives อยู่ที่ 32 รูป และ 54 รูป ตามลำดับ จากผลลัพธ์นี้แสดงให้เห็นว่าการเรียนรู้เชิงลึกด้วยโครงข่ายประสาทเทียมคอนโวลูชันสามารถจำแนกการเป็นโรคมะเร็งตับได้ และการเลือกประเภทของแบบจำลองส่งผลกระทบอย่างมีนัยสำคัญต่อประสิทธิภาพของแบบจำลอง ในการศึกษาครั้งนี้โครงสร้างโครงข่ายประสาทเทียมคอนโวลูชันแบบ ResNet-50 มีประสิทธิภาพมากกว่าแบบ VGG16 เมื่อวัดด้วยเมทริกซ์ Accuracy แต่หากเปรียบเทียบด้วยเมทริกซ์ False Negatives โครงสร้างโครงข่ายประสาทเทียมคอนโวลูชันแบบ VGG16 มีประสิทธิภาพดีกว่าแบบ ResNet-50