Application of waveform transformation in algorithms for the detection of bladder cancer

Obradom signala moguća je optimizacija i izlučivanje važnih značajki koje kasnije doprinose boljoj i jednostavnijoj analizi. Ovaj rad orijentiran je na izlučivanje značajki i detekciju karcinoma mokraćnog mjehura iz uzoraka tkiva mokraćnog mjehura koji je snimljen cistoskopijom. Izlučivanje značajki izvedeno je koristeći valićnu transformaciju uz pomoć Haar, Daubechies, Symlet i Biorthogonal valićnih funkcija na prvoj, trećoj i petoj dekompozicijskoj razini. Provođenje valićne transformacije na uzorcima rezultira aproksimacijom te horizontalnim, vertikalnim i dijagonalnim detaljima, gdje se svi detalji odbacuju a aproksimacija se koristi kao ulazni podatak u neuronsku mrežu. Neuronska mreža realizirana je optimalnom arhitekturom za osnovnu klasifikaciju. Ispitani su utjecaji valićnih funkcija i dekompozicijskih razina na točnost i performanse neuronske mreže. Prema dobivenim rezultatima vidljivo je kako uz povećanje dekompozicijske razine povećava se i brzina treniranja dok točnost ostaje približno jednaka. Treniranje neuronske mreže je do 37 puta brže ukoliko se koristi valićna transformacija na pet dekompozicijskih razina u odnosu na uzorke tkiva mokraćnog mjehura koji nisu prethodno obrađeni.With signal processing, it is possible to optimize and extract important features that can later contribute to the better and easier analysis. This paper is focused on feature extraction and bladder cancer detection form bladder tissue samples taken during cystoscopy. Feature extraction was performed using wavelet transform with Haar, Daubechies, Symlet and Biorthogonal wavelet function at the first, third, and fifth decomposition levels. The result of using wavelet transform is an approximation and horizontal, vertical, diagonal details, where all details are discarded and the approximation is used as input to the neural network. The neural network is realized with an optimal architecture for basic classification. The influences of wavelet functions and decomposition levels on the accuracy and performance of the neural network were examined. According to the obtained results, it is evident that with increasing the decomposition level, the training speed also increases while the accuracy remains approximately the same. The neural network training process is up to 37 times faster when using wavelet transform at five decomposition levels compared to bladder tissue samples that are not previously processed