Cancer tissue classification from surgical smoke with convolutional neural networks
Loading...
URL
Journal Title
Journal ISSN
Volume Title
Perustieteiden korkeakoulu |
Master's thesis
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.
Authors
Date
2019-05-06
Department
Major/Subject
Complex systems
Mcode
SCI3060
Degree programme
Master’s Programme in Life Science Technologies
Language
en
Pages
70 + 5
Series
Abstract
One of the main reasons for cancer recurrence after operation is deficient surgical margin clearance. The surgical margin assessment could be improved if the whole surgical margin could be analysed intraoperatively. This master's thesis is part of a project that aims to develop an automatic tissue analysis system, where the type of the tissue is identified in real time from surgical smoke produced by electrosurgery and the cancerous tissue can be removed completely during the operation. The chemical composition of the surgical smoke depends on the tissue type, which enables tissue identification based on the surgical smoke. A diathermic blade cuts tissue by burning it with electrical current, and the produced surgical smoke is conducted into a measuring device. The device measures properties of the smoke components with differential mobility spectrometry (DMS) technique, outputting a set of spectra. This matrix form data can also be represented as images, and the variation of the measurement patterns the image based on measured sample is visible for human eye. However, it is not yet possible to interpret the dispersion image without artificial intelligence. In this thesis, a popular image recognition technique called convolutional neural networks (CNN) is used to classify the DMS measurements by tissue type. The CNN classifier trained within the framework of this thesis was able to distinguish breast tumour tissue from healthy breast tissue with 90\% accuracy, exceeding previous results (87\%) on the same data with a linear discriminant analysis classifier. The results demonstrate that convolutional neural networks can be reliably used to classify tissue samples from surgical smoke without any preprocessing of the DMS data, and training the classifier is possible even with a small dataset of only a few hundred measurements. Even though further research is required due to limited amount of data in this thesis, convolutional neural networks are a promising new method for DMS data analytics. Real-time surgical margin assessment with the automatic tissue analysis system utilizing CNNs could save cancer patients from unnecessary re-operations in the future.Yksi suurimmista syistä syövän uusiutumiseen leikkauksen jälkeen on puutteellinen tervekudosmarginaalin määritys. Kudosmarginaalin määritystä voitaisiin parantaa, jos koko marginaalialuetta voitaisiin tutkia suoraan leikkauksen aikana. Tämä diplomityö on osa projektia, jonka tavoitteena on kehittää automaattinen kudoksentunnistusjärjestelmä, jossa leikattavan kudoksen tyyppi tunnistetaan reaaliaikaisesti sähkökirurgisesti syntyneestä leikkaussavusta, jotta syöpäkudos voitaisiin poistaa kokonaisuudessaan tarkemmin leikkauksessa. Leikkaussavun kemiallinen koostumus riippuu kudostyypistä, mikä mahdollistaa kudoksen tunnistamisen savun perusteella. Diatermiaveitsi leikkaa kudosta polttamalla sitä sähkövirran avulla, ja polttamisen yhteydessä haihtuva savu johdetaan mittalaitteeseen. Mittalaite tuottaa savusta dispersiokuvan differentiaali-ioniliikkuvuusspektrometrian (DMS) avulla, ja dispersiokuvassa havaittava kuvio vaihtelee silminnähden savutyypistä riippuen. Dispersiokuvia on kuitenkin toistaiseksi mahdotonta tulkita ilman tekoälyä, joten luokittelussa voidaan hyödyntää esimerkiksi kuvantunnistuksessa laajalti käytettyä koneoppimismenetelmää, konvoluutioneuroverkkoja. Tämän diplomityön puitteissa opetettu konvoluutioneuroverkko kykeni erottamaan rintasyöpäkudoksen terveestä rintakudoksesta 90% tarkkuudella, mikä ylittää aiempien tutkimusten lineaarisella erotteluanalyysilla (LDA) tuotetun luokittelutarkkuuden (87%). Tulokset osoittavat, että konvoluutioneuroverkkoja voidaan käyttää kudosnäytteiden DMS-mittausten automaattiseen luokitteluun ilman aineiston esikäsittelyä. Kudostunnistusneuroverkkojen opetus onnistuu luotettavasti jo pienen, vain muutamia satoja mittauksia sisältävän aineiston perusteella. Aineiston rajallisuuden vuoksi lisätutkimusta tarvitaan löydösten vahvistamiseksi, mutta konvoluutioneuroverkkoja voi joka tapauksessa pitää lupaavana uutena menetelmänä DMS-mittausten analysointiin. Reaaliaikainen kudosmarginaalin arviointi konvoluutioneuroverkkoja hyödyntävällä automaattisella kudostunnistusjärjestelmällä voisi tulevaisuudessa säästää syöpäpotilaita tarpeettomilta uusintaleikkauksilta.Description
Supervisor
Kivelä, MikkoThesis advisor
Oksala, NikuKontunen, Anton
Keywords
diathermy, surgical smoke, convolutional neural networks, differential mobility spectrometry, cancer recurrence, machine learning