Klasifikasi Kanker Payudara Menggunakan Residual Neural Network

Authors

  • Reynold Erwandi Telkom University
  • Suyanto Suyanto Telkom University

DOI:

https://doi.org/10.34818/INDOJC.2020.5.1.373

Abstract

Kanker Payudara menjadi salah satu penyebab kematian yang umum terutama pada kaum wanita. Di Amerika Serikat pada tahun 2015, kanker payudara menjadi jenis kanker yang paling banyak diderita dan menjadi kanker paling mematikan setelah kanker paru-paru. Studi terkait menyatakan bahwa pendeteksi dan penanggulangan secara diri menjadi faktor penting dalam menghadapi kanker payudara. Proses diagnosa kanker payudara secara tradisional memakan waktu yang cukup lama, terlebih lagi para ahli patologi belum 100% yakin atas hasil diagnosa mereka. Oleh karena itu dalam
penelitian ini dibuatlah sebuah sistem dengan bantuan komputer yang dapat membantu para dokter untuk mengklasifikasi jenis sel payudara berdasarkan gambar histopatologi. Dalam penelitian ini, diusulkan sebuah metode menggunakan pendekatan deep convolutional neural network menggunakan arsitektur Residual Neural Network (ResNet) untuk pengklasifikasian berdasarkan gambar histopatologi pada dataset BreakHis. Performa terbaik yang dicapai dalam metode ini mencapai tingkat rata-rata akurasi 99,3% pada pengklasifikasian binary, dan tingkat rata-rata akurasi 94,6% pada pengklasifikasian multi-class yang mana hampir setara dengan kondisi state-ofthe-art saat penelitian ini ditulis.

Downloads

Download data is not yet available.

References

“USCS Data Visualizations.†[Online]. Available: https://gis.cdc.gov/Cancer/USCS/DataViz.html. [Accessed: 19-Mar-2019].

et all Ellis IO, “Pathology and Genetic of Tumours of the Breast and Female Genital Organs, WHO Classification of Tumours,†Invasive breast carcinoma, pp. 18–19, 23–43, 2003.

Kunihiko Fukushima, “Computerized Nuclear Morphometry as an Objective Method for Characterizing Human Cancer Cell Populations,†Cancer Res., vol. 38, no. 12, pp. 4688–4697, 1978.

F. A. Spanhol, L. S. Oliveira, C. Petitjean, and L. Heutte, “A Dataset for Breast Cancer Histopathological Image Classification,†IEEE Trans. Biomed. Eng., vol. 63, no. 7, pp. 1455–1462, 2016.

L. D. Jackel et al., “Backpropagation Applied to Handwritten Zip Code Recognition,†Neural Computation, vol. 1, no. 4. pp. 541–551, 1989.

K. He, X. Zhang, S. Ren, and J. Sun, “Deep Residual Learning for Image Recognition,†2015.

F. Narvaez, G. Díaz, and E. Romero, “Multi-view information fusion for automatic BI-RADS description of mammographic masses,†Med. Imaging 2011 Comput. Diagnosis, vol. 7963, no. 1, p. 79630A, 2011.

F. Moayedi, Z. Azimifar, R. Boostani, and S. Katebi, “Contourlet-based mammography mass classification using the SVM family,†Comput. Biol. Med., vol. 40, no. 4, pp. 373–383, 2010.

Kunihiko Fukushima, “Neocognitron: A Self-organizing Neural Network Model for a Mechanism of Pattern Recognition Unaffected by Shift in Position Kunihiko,†Nature, vol. 237, no. 5349, pp. 55–56, 1980.

P. H. YANN LECUN, LEON BOTTOU, YOSHUA BENGIO, “Gradient-Based Learning Applied to Document Recognition,†Biochem. Biophys. Res. Commun., vol. 330, no. 4, pp. 1299–305, 1998.

G. E. H. Alex Krizhevsky, Ilya Sutskever, “ImageNet Classification with Deep Convolutional Neural Networks,†2018 9th IFIP Int. Conf. New Technol. Mobil. Secur. NTMS 2018 - Proc., vol. 2018-Janua, no. February, pp. 1–5, 2018.

F. A. Spanhol, L. S. Oliveira, C. Petitjean, and L. Heutte, “Breast cancer histopathological image classification using Convolutional Neural Networks,†Proc. Int. Jt. Conf. Neural Networks, vol. 2016-Octob, pp. 2560–2567, 2016.

Z. Han, B. Wei, Y. Zheng, Y. Yin, K. Li, and S. Li, “Breast Cancer Multi-classification from Histopathological Images with Structured Deep Learning Model,†Sci. Rep., vol. 7, no. 1, p. 4172, Dec. 2017.

M. Nawaz, A. A., and T. Hassan, “Multi-Class Breast Cancer Classification using Deep Learning Convolutional Neural Network,†Int. J. Adv. Comput. Sci. Appl., vol. 9, no. 6, pp. 316–322, 2018.

L. N. Smith, “Cyclical learning rates for training neural networks,†Proc. - 2017 IEEE Winter Conf. Appl. Comput. Vision, WACV 2017, no. April, pp. 464–472, 2017.

G. Huang, Y. Li, G. Pleiss, Z. Liu, J. E. Hopcroft, and K. Q. Weinberger, “Snapshot Ensembles: Train 1, get M for free,†pp. 1–14, 2017.

K. Dimitropoulos, P. Barmpoutis, C. Zioga, A. Kamas, K. Patsiaoura, and N. Grammalidis, “Grading of invasive breast carcinoma through Grassmannian VLAD encoding,†PLoS One, vol. 12, no. 9, pp. 1–18, 2017.

“LeCun et al. 1995. Comparison of learning algorithms for handwritten digit.â€

Downloads

Published

2020-04-14

How to Cite

Erwandi, R., & Suyanto, S. (2020). Klasifikasi Kanker Payudara Menggunakan Residual Neural Network. Indonesian Journal on Computing (Indo-JC), 5(1), 45–52. https://doi.org/10.34818/INDOJC.2020.5.1.373

Issue

Section

Computer Science