An imaging features approach to TIRADS score estimation by transfer learning

Abstract

Yapılan çalışmada, Tiroid Görüntüleme Raporlama ve Veri Sistemi (Thyroid Imaging Reporting and Data System (TIRADS)) puanının tahminine yönelik yeni bir görüntüleme özellikleri yaklaşımı önerilmiş ve bu yöntemin gerçeklenebilirliği en önemli iki görüntüleme özelliği analiz edilerek incelenmiştir. Elde edilen ilk sonuçlar irdelenmiş, yardımcı metodlar ile iyileştirilmiş, ve yardımcı metodların etkileri belirtilmiştir. Yöntemin mevcut güncel yöntemlerden farkları, üstünlükleri ve eksiklikleri belirlenmiştir.İlk aşamada, tiroid ultrason görüntüleri işlenerek, görüntüler ultrason cihazı tarafından eklenen yapay işaretler ve diğer gereksiz kısımlardan temizlenmiştir. Böylece, tiroid görüntüsünün hesaplamalar için gerekli olan kısmı bulunmuştur. Önerilen yöntem, geleneksel ikili sistemde yapılan sınıflandırma problemini çoklu sınıflandırma problemine çevirmektedir. Bu yöntemin uygulanabilmesi için, ikili sistemde sınıflandırma yapmaya yönelik hazırlanmış görüntü setinden, farklı farklı görüntüleme özellikleri için yeni birer görüntü seti oluşturulması gerekmektedir. Bu nedenle, orijinal görüntü seti tekrar işlenerek, TIRADS puanı belirlenmesinde kullanılan her bir özellik için (kireçlenmeler (kalsifikasyon), ekojenite vb.) ayrı bir görüntü seti türetilmiştir. Bu görüntüler, önceden eğitilmiş sinir ağlarına çoklu sınıflandırma yapmak üzere girdi olarak verilip, çıktılar analiz edilmiştir. Sınırlı sayıda görüntü içeren ve sınıflar arasında dengeli bir dağılıma sahip olmayan bir görüntü seti kullanılmasına rağmen, kalsifikasyonlar yaklaşık %85 doğrulukla sınıflandırılabilmiştir. Daha az sayıda örneğe, ve yine sınıflar arasında dengesiz dağılıma sahip olan ekojenite özelliğinde ise doğruluk %80 seviyesinde kalmıştır.Önerilen sistemin her bir görüntüleme özelliği için yeterli sayıda örneğe ve sınıflar arasında dengeli dağılıma sahip bir görüntü seti kullanılarak eğitilmesiyle, yöntemin yüksek bir sınıflandırma doğruluğu ve yüksek çıktı çözünürlüğü ile uygulanabilir olacağı öngörülmektedir.

A novel method for Thyroid Imaging Reporting and Data System (TIRADS) score estimation using the imaging features is proposed. Applicability of the method is investigated by analyzing the two most important imaging features. Initial results were evaluated and improved by using auxiliary methods, and the effects of auxiliary methods were stated. Advantages and disadvantages of the proposed method when compared to state- of-the-art methods were determined.In the first step, images were processed to remove artificial markers added by the ultrasound device and other redundant data. As a result, the region of interest (ROI) is found in the thyroid image. The proposed method turns the traditional binary classification problem into multiclass classification. In order to be able to apply the proposed method, the dataset was processed further and multiple different datasets were derived, one for each of the image features (calcifications, echogenity etc.) used when determining the TIRADS scores of thyroid nodules. Then, these derived datasets were fed into pretrained neural networks for multiclass classification, and the results were evaluated. Even with a dataset of limited size and biased samples, the calcification property classification accuracy turns out to be 85%, whereas for echogenity property, again with a limited number of biased samples, stays around 80%.By using a dataset which has more number of samples for each imaging feature and a better balanced distribution among classes, it is anticipated that the proposed method may become applicable, with a high overall classification accuracy, and a high output resolution.