A quantitative comparison of nature inspired feature selection algorithms for diagnosis of liver HCC

Hepatocellular carcinoma (HCC) is the most prevalent form of liver cancer and the fourth leading cause of cancer-related deaths worldwide. The high mortality rate is largely attributed to limitations in effective screening and early diagnosis. This study presents a radiomics-based classification framework that diverges from conventional approaches by utilizing the entire liver Region Of Interest (ROI) rather than focusing solely on tumor-localized areas. This approach enables us to examine whether HCC has a global effect on the liver structure and alters its overall morphology, thereby allowing it to be distinguished from a healthy liver. Radiomic features are extracted from the liver ROI using both raw MRI data and the seven enhancement filters provided. These filters are employed to capture diverse texture patterns and enhance subtle image characteristics that may not be apparent in raw MRI data. To improve classification performance and eliminate irrelevant features, binary versions of four natureinspired optimization algorithms—African Vulture Optimization Algorithm (AVOA), Bat Algorithm (BA), Harris Hawks Optimization (HHO), and Sparrow Search Algorithm (SSA)— are applied for feature selection. We demonstrate that a publicly available dataset, commonly used for segmentation tasks, can also be effectively utilized for classification problems. This study demonstrates that high classification performance can be achieved even without tumor masks and the presence of HCC can be accurately detected using features extracted from the whole liver.

Hepatosit karsinomu (HCC), karaciğer kanserinin en yaygın şekli ve dünya çapında kanserle ilişkili ölümlerin dördüncü önde gelen nedenidir. Yüksek ölüm oranının büyük ölçüde sebebi etkili tarama ve erken teşhisteki sınırlamalardır. Bu çalışma, yalnızca tümörlü alanlara odaklanmak yerine tüm karaciğeri içeren ilgili bölgeleri(ROI) kullanarak geleneksel yaklaşımlardan ayrılan radyomik tabanlı bir sınıflandırma çerçevesi sunmaktadır. Bu yaklaşım, HCC'nin karaciğer yapısı üzerinde genel bir etkiye sahip olup olmadığını, genel morfolojisini değiştirip değiştirmediğini incelememizi ve böylelikle sağlıklı bir karaciğerden ayırt edilip edilemediğini anlamamızı sağlar. Radyomik özellikler, hem ham MRI verileri hem de sağlanan yedi filtre kullanılarak karaciğer ROI'si üzerinden çıkarılır. Bu filtreler, çeşitli doku desenlerini yakalamak ve ham MRI verilerinde görünmeyebilecek ince görüntü özelliklerini ortaya çıkarmak için kullanılır. Sınıflandırma performansını iyileştirmek ve alakasız özellikleri ortadan kaldırmak için, doğadan ilham alan dört optimizasyon algoritmasının ikili versiyonları -Afrika Akbabası Optimizasyon Algoritması (AVOA), Yarasa Algoritması (BA), Harris Şahinleri Optimizasyonu (HHO) ve Serçe Arama Algoritması (SSA)- özellik seçimi için uygulanmıştır. Ayrıca segmentasyon görevleri için yaygın olarak kullanılan, herkese açık bir veri setinin sınıflandırma problemleri için de etkili bir şekilde kullanılabileceğini gösteriyoruz. Bu çalışma, tümör maskeleri olmadan bile yüksek sınıflandırma performansına ulaşılabileceğini ve HCC'nin varlığının tüm karaciğerden çıkarılan özellikler kullanılarak doğru bir şekilde tespit edilebileceğini göstermektedir.