한국융합학회논문지 (Journal of the Korea Convergence Society)

한국융합학회 (Korea Convergence Society)
권호 표지
DOI QR코드

DOI QR Code

뉴럴네트워크 기반의 유방암 조기 진단을 위한 분류

Classification for early diagnosis for breast cancer base on Neural Network

  • 투고 : 2017.10.11
  • 심사 : 2017.12.20
  • 발행 : 2017.12.28

초록

유방암은 전체 여성의 암환자 중 두 번째로 많으며, 여성의 암으로 인한 사망 원인으로 가장 높은 것으로 나타났다. 유방암은 조기 발견 경우 완치율이 92%에 이른다. 하지만, 조기 발견을 하지 못할 경우 유방암은 전이율이 매우 높다. 암세포의 전이는 암의 진행이 많이 될수록 다른 장기로의 전이가 더욱 잘 되는 것으로 나타났다. 암의 조기 진단은 삶의 질을 높일 수 있는 중요한 요소이다. 유방암을 검사하는 방법으로는 맘모그래피(Mammography), 초음파, 맘모톰(momotome) 등이 있다. 그 중 맘모그래피는 검사자에게 통증이 적을 뿐 아니라, 쉽게 접근할 수 있어 유방암 검사에 유용하게 사용된다. 본 논문에서는 유방암 진단 데이터로 맘모그래프 데이터를 사용하였다. 본 논문에서는 뉴럴네트워크인 NEWFM(Neural network with weighted fuzzy membership function)를 사용하여 암 조기 진단을 위한 클래스를 분류하였다. NEWFM을 이용하여 데이터를 학습시킨 후 유방암 데이터 분류 결과 정확도가 84.4391%가 나타났다.

키워드

뉴럴네트워크;분류;유방암;맘모그래피;암진단

파일

원문 PDF 다운로드

과제정보

연구 과제 주관 기관 : 장안대학교

참고문헌

  1. Edge SB, Comption CC, The American Joint Committee on Cancer: the 7th edition of the AJCC cancer staging manual and the future of TNM, June 2010, Vol. 17, Issue6, pp. 1471-1474.
  2. http://www.kbcs.or.kr
  3. www.kmpnews.co.kr
  4. S.H. Lee and J.S. Lim, Forecasting KOSPI based on a neural network with weighted fuzzy membership function, Expert Syst. Appl. 39 (2011), 4259-4263.
  5. S. H. Lee and J. S. Lim, Parkinson's disease classification using gait characteristics and wavelet-based feature extraction, Expert Syst. Appl. 39 (2012), 7338-7344. https://doi.org/10.1016/j.eswa.2012.01.084
  6. S. H. Lee and J. S. Lim, Parkinson's disease classification using gait characteristics and wavelet-based feature extraction, Expert Syst. Appl. 39 (2012), 7338-7344 https://doi.org/10.1016/j.eswa.2012.01.084
  7. H. J. Yoon, B. H. Wang and J. S. Lim, Prediction of Time Series Microarray Data using Neurofuzzy Network, Indian Journal of Science and Technology, Vol8(26), IPL0485, October 2015.
  8. H. J. Yoon, B. H. Wang and J. Y. Choi, Neural Network based Design for classifying breast cancer pathway, ISSN 2287-3254. Vol.. 7, No. 1, 2017.
  9. Wlter, M., Schulz-Wendtland, R., and Wittenberg, T., The prediction breast cancer biopsy outcomes using two DAD approaches that both emphasize an intelligible decision process. Med. Phys. 34 (11):4164-4172, 2007 https://doi.org/10.1118/1.2786864
  10. UCIMachine Learning Repository: Data Sets 2007. http://archive.ics.uci.edu/ml/datasets/Mammographic+Mass, Accessed 29 March 2011
  11. Ismail Saritas, Prediction of Breast Cancer Using Artificial Neural Networks, J Med Syst, 2012 36:2901-2907. https://doi.org/10.1007/s10916-011-9768-0
  12. American College of Radiology, Breast imaging reporting and data system (BI-RADS), 4th edition. American College of Radiology, Reston, VA, 2003.
  13. Baker, J. A., Kornguth, P. J., Lo, J. Y.,Williford, M. E., and Floyd, C. E., Breast cancer: Prediction with artificial neural network based on BI-RADS standardized lexicon. Radiology 196:817-822, 1995. https://doi.org/10.1148/radiology.196.3.7644649
  14. Markey, M. K., Lo, J. Y., Vargas-Voracek, R., Tourassi, G. D., and breast cancer diagnosis. Comput. Biol. Med. 32:99-109, 2002. https://doi.org/10.1016/S0010-4825(01)00035-X
  15. Floyd, C.E., Lo. J. Y., and Tourassi, G. D.m, Case-based reasoning computer algorithm that uses mammographic findings for breast biopsy decision, AJR. An. J . Toentgenol. 175: 1347-1352, 2000 https://doi.org/10.2214/ajr.175.5.1751347