Diagnosing cancer using the fractal analysis method

Abstract

Cancer is a prevalent and potentially life-threatening disease that necessitates accurate and timely diagnosis. Recently, there has been increasing interest in leveraging ultrasound diagnostic technology to identify and classify benign and malignant nodules. This advancement is particularly significant as it can help spare patients with benign nodules from undergoing unnecessary and invasive needle biopsy procedures, reducing patient discomfort and healthcare costs. In the light of these considerations, this study aimed to investigate the effectiveness of fractal analysis in differentiating between benign and malignant thyroid nodules during ultrasonography. Fractal analysis holds promise as a potential tool to enhance diagnostic accuracy by assessing the complex structural patterns present within the thyroid nodules. The fractal analysis box-counting technique was performed on normal, benign and malignant ultrasound images of the Thyroid Digital Image Database and Breast Ultrasound Image Dataset. The Mann-Whitney U test was performed to check if the fractal dimensions belonging to malignant and benign categories differed significantly. When comparing the malignant and benign datasets using the Mann-Whitney U test, a result of "significantly different" (p<0.0032) was found. In addition, features including fractal dimension and logarithm (box counts) were used to train machine learning models like KNN, ANN and DT to extend the results. For better comparison, Fourier transform was applied to the ultrasound images and features were used to train machine learning models. The accuracy rates of the models trained on fractal features and fourier features were comparable. The findings indicate that the fractal dimension serves as a valuable characteristic for distinguishing between different types of thyroid and breast nodules. Moreover, studying the fractal properties of the B-mode ultrasound images can offer a dependable reference for identifying and categorizing cancerous tissues during the process of ultrasound diagnosis.

Kanser, doğru ve zamanında teşhis gerektiren, yaygın ve potansiyel olarak yaşamı tehdit eden bir hastalıktır. Son zamanlarda, iyi huylu ve kötü huylu nodülleri tanımlamak ve sınıflandırmak için ultrason teşhis teknolojisinden yararlanmaya artan bir ilgi vardır. Bu ilerleme, iyi huylu nodülleri olan hastaların gereksiz ve invaziv iğne biyopsi prosedürlerinden korunmasına yardımcı olabileceği, hasta rahatsızlığını ve sağlık maliyetlerini azaltabileceği için özellikle önemlidir. Bu düşünceler ışığında bu çalışma, ultrasonografi sırasında tiroid nodüllerinin benign ve malign ayrımında fraktal analizin etkinliğini araştırmayı amaçlamıştır. Fraktal analiz kutusu sayma tekniği Tiroid Dijital Görüntü Veri Tabanı ve Meme Ultrason Görüntü Veri Kümesinin normal, iyi huylu ve kötü huylu ultrason görüntüleri üzerinde gerçekleştirildi. Malign ve benign kategorilerine ait fraktal boyutların anlamlı farklılık gösterip göstermediğini kontrol etmek için Mann-Whitney U testi yapıldı. Mann-Whitney U testi ile malign ve benign veri setleri karşılaştırıldığında “anlamlı derecede farklı” (p<0.0032) sonucu bulundu. Ayrıca sonuçları genişletmek amacıyla KNN, ANN ve DT gibi makine öğrenimi modellerini eğitmek için fraktal boyut ve logaritma (kutu sayıları)gibi özellikler kullanıldı. Daha iyi bir karşılaştırma için ultrason görüntülerine Fourier dönüşümü uygulandı ve makine öğrenimi modellerini eğitmek için özellikler kullanıldı. Fraktal özellikler ve fourier özellikler üzerine eğitilen modellerin doğruluk oranları benzer bulunmuştur. Bulgular, fraktal boyutun, farklı tiroid ve meme nodül tipleri arasında ayrım yapmak için değerli bir özellik olarak hizmet ettiğini göstermektedir. Ayrıca, B-mod ultrason görüntülerinin fraktal özelliklerinin incelenmesi, ultrason tanısı sürecinde kanserli dokuların tanımlanması ve sınıflandırılması için güvenilir bir referans sunabilir.