Convolutional Neural Network-basiertes Framework für die Klassifizierung und Segmentierung von Hirntumoren unter Verwendung von Magnetresonanzbildern

Summary

Deep-Learning-Algorithmen wurden in der MRT eingesetzt, um die Klassifizierung und Segmentierung von Hirntumoren mit U-Net durchzuführen. InceptionV3, DenseNet201 und Inception-ResNet-v2 zeigten eine hervorragende Genauigkeit bei der Vorhersage von Tumortyp und -grad. GPT-4.0 Augmented Hybrid-Modelle für die automatische Erstellung von medizinischen Berichten und diagnostische Unterstützung.

Abstract

Die frühzeitige Diagnose von Hirntumoren ist entscheidend für die Optimierung der Prognose und Therapieauswahl des Patienten. Eine genaue Segmentierung und Kategorisierung von Hirntumoren ist unerlässlich, um spezielle Behandlungstechniken zu entwickeln. Da die MRT für die Hirndiagnose zunimmt und sich auch die Computer-Vision-Technologie verbessert, bleibt es eine Herausforderung, ein gutes und effektives Modell zur Identifizierung und Kategorisierung von Tumoren auf der Grundlage von MRT-Scans zu haben. Um dieses Problem anzugehen, schlugen die Autoren eine Deep-Learning-basierte Technik vor, um Hirntumoren aus verschiedenen Datensätzen zu segmentieren und zu klassifizieren. Bei der Bildverarbeitung wurden neun Augmentationsmethoden eingesetzt, um die Modellleistung zu verbessern. Die Segmentierung der MRT erfolgte unter Verwendung eines U-Net-Modells.

Das entwickelte Klassifikationsmodell auf Basis von InceptionV3 und DenseNet201 prognostiziert die Existenz des Tumors und kategorisiert ihn in Gliom, Meningeom und Hypophyse. Mit einer Genauigkeit von 99,15 % liegt InceptionV3 bei der Tumorklassifizierung über den 98,75 % von DenseNet201. Eine zusätzliche Tumorklassifikation erfolgte durch Clustering als HGG und LGG auf Basis von Inception-ResNet-v2. Die Tumorgrade (1-4) werden mit einer Genauigkeit von 96,64 % von Inception-ResNet-v2 identifiziert. Ein autonomes System integriert hybride Modelle mit GPT-4.0, um Berichte zu erstellen. Daher könnte dieses neuartige Framework sehr gut für Kliniken geeignet sein, wenn es zur automatischen Identifizierung und Trennung von Hirntumoren unter Verwendung von Eingabebildern aus MRT-Scans verwendet wird.

Introduction

Hirntumoren können die Lebensqualität von Patienten und Angehörigen erheblich beeinträchtigen und sind für eine von 100 Krebserkrankungen verantwortlich, die jedes Jahr in den USA behandelt werden ^1,2,3. Das Gliom ist mit einer Inzidenz von 6,5 pro 100.000 der häufigste primäre Hirntumor bei Menschen in den Vereinigten Staaten. Sie entstehen in Astrozyten, Oligodendrozyten und Ependymzellen, den Gliazellen, die die Neuronen des Gehirns mit Nahrung versorgen. Das Gliom wird auf der Grundlage der betroffenen Gliazelle im Tumor sowie seines genetischen Profils in verschiedene Typen eingeteilt, was nun nützlich sein kann, um das Verhalten des Tumors im Laufe der Zeit und die am wahrscheinlichsten wirksamen Behandlungen zu antizipieren ^4,5,6. Ein Gliom kann die Funktion des Gehirns beeinträchtigen und je nach Lage und Wachstumsrate sogar tödlich sein. Meningeome machen 15-20% aller primären Hirntumoren aus. Ihre Prävalenz im normalen Screening liegt bei einer pro 100 Personen in einer Operationsserie. Es wird angenommen, dass sie aus der Arachnoidal-Deckzelle stammen. Meningeome zeigen ein breites Spektrum an Verhaltensweisen, das je nach Lage von gutartig bis extrem aggressiv reicht. Sie zeigen sich mit vielen verschiedenen Symptomen, aber die meisten Patienten bleiben asymptomatisch.

Die damit verbundenen Symptome und Beschwerden werden hauptsächlich durch die Kompression der angrenzenden Strukturen verursacht und können daher auch mit Symptomen wie motorischen Anfällen, sensorischen Beeinträchtigungen, Sprachstörungen, Anosmie und vielem mehr auftreten. Hypophysentumoren sind nach Gliomen und Meningeomen die dritthäufigsten primären intrakraniellen Neoplasien und machen etwa 10 % aller exzidierten primären Hirntumoren aus. Sie können auf vielfältige Weise auftreten, aufgrund einer Über- oder Hyposekretion von Hypophysenhormonen, einer Verengung des Hypophysenstiels oder Auswirkungen auf die umgebenden Strukturen, insbesondere das Chiasma opticum.

Im Vergleich zu Standard-CT-Scans des Gehirns enthalten MRT-Bilder einen großen Gewebekontrastbereich ^7,8,9. Die Entwicklung einer regulären automatischen Methode zur Segmentierung von Hirntumoren wäre daher von größter Bedeutung für die richtige Diagnose und Behandlung dieser Patienten. Daher wäre die Entwicklung einer zuverlässigen automatischen Technik zur Segmentierung von Hirntumoren von äußerster Bedeutung für die richtige Diagnose und Behandlung dieser Patienten. Diese intelligenten Methoden würden den Neurochirurgen und Radiologen helfen, das Volumen und die Form des Tumors besser zu beurteilen und die Grenze zwischen dem Tumor und angrenzenden normalen Geweben genauer zu definieren.

Maschinelles Lernen könnte von Vorteil sein, um die Art und das Vorhandensein von Hirntumoren zu bestimmen, erfordert jedoch mehr menschliches Eingreifen, da seine Modelle prädiktiv sind. Im Gegensatz dazu könnten Deep-Learning-Modelle aufgrund neuronaler Netze Merkmale lernen und erkennen, was den Kern eines vollautomatischen gesamten Erkennungsprozesses darstellen würde. Viele Methoden des maschinellen Lernens (ML) wurden für Radiologen entwickelt, damit sie bei der Erkennung und Klassifizierung von MRT-Bildern ungewöhnliche Visionen erhalten. Die effektivste Methode in einem ganzen Segment von Modalitäten zur Krebserkennung ist die medizinische Bildgebung. Diese Methoden sind hilfreich bei der Identifizierung und Erkennung bösartiger Neubildungen. Diese Methodik ist von entscheidender Bedeutung, da sie nicht den invasiven Charakter hat, der mit anderen medizinischen Praktiken verbunden ist. Die Verfahren sind nicht invasiv 10,11,12. Das Neue an dieser Arbeit ist, dass sie ein einzigartiges DL-basiertes Framework für die automatische, genaue und effiziente Mehrklassen-Kategorisierung und -Einstufung von Hirntumoren anhand von MRT-Bildern bietet, wodurch der Bedarf an manueller Interpretation reduziert wird.

Die Autoren schlugen Modelle zur Klassifizierung von Hirntumoren vor, die nLBP- und LBP-Merkmalsextraktionsansätze verwenden. Modelle charakterisierten die häufigsten Arten von Hirntumoren genau. Die maximale Genauigkeit von 95,56 % wurde unter Verwendung eines Merkmalsextraktionsschemas nLBPD = 1 mit dem KNN-Modell¹¹ erreicht. Die Autoren untersuchten den klinischen Einsatz von Deep Learning (DL) in der Radiographie und dokumentierten die damit verbundenen Operationen in diesem Bereich¹³. Sie betonten die klinischen Implikationen von DL in verschiedenen klinischen Bereichen. DL hat bei bestimmten radiologischen Implementierungen zufriedenstellende Ergebnisse gezeigt, aber die Technologie ist noch nicht ausgereift und kann den diagnostischen Beruf des Radiologen nicht ersetzen¹⁴. Die Kombination von DL-Algorithmen mit Radiologen verbessert die diagnostische Effektivität und Effizienz. Die MRT wurde in zahlreichen Untersuchungen auf ihre mögliche Anwendung bei der Klassifikation von Hirntumoren über verschiedene Forschungsdesigns untersucht.

Afshar et al. schlugen eine verbesserte CapsNet-Architektur für die Klassifizierung von Haupthirntumoren mit 3.064 Bildern mit zusätzlichen Eingaberegionen von Interesse durch Anwendung von Tumorgrenzen vor, um einen größeren Aufwand zu betreiben und andere Methoden mit einer Genauigkeit von 90,89 % zu ^verbessern15. Gumaei et al. haben eine hybride, auf der Extraktion von Merkmalen basierende Methode zur Klassifizierung von Hirntumoren mittels RELM vorgeschlagen. Die Autoren normalisierten das Gehirnbild mit Hilfe der Min-Max-Normalisierung und verwendeten RELM zur Klassifizierung, um eine Genauigkeit von 94,23 % zu ^erreichen16. Ein integriertes Schema mit Segmentierung und Klassifizierung von Hirntumoren mittels MRT wurde von Rezaei et al. vorgeschlagen. Zu den verwendeten Schritten gehörten die Entfernung von Rauschen, die Segmentierung durch Support Vector Machine (SVM), die Extraktion von Merkmalen und die Auswahl von Merkmalen mithilfe von DE. Die Schichten des Tumors wurden mit Hilfe der Klassifikatoren WSVM, KNN und HIK-SVM klassifiziert. Die Klassifikatoren, mit Ensemble-Methoden auf Basis von MODE, erreichten eine Genauigkeit von 92,46 %¹⁷. Fouad et al. schlugen eine Klassifikation eines Hirntumors mittels HDWT-HOG-Merkmalsdeskriptoren und WOA zur Merkmalsreduktion vor. Die Methode verwendete Ensemble-Methoden mit Bagging. Mit Bagging wurde eine durchschnittliche Genauigkeit von 96,4 % erreicht, mit Boosting wurde ein Wert von 95,8 %^{18 erreicht.}

Ayadi et al. führten den Prozess der Klassifizierung von Hirntumoren unter Verwendung von Techniken wie Normalisierung und Dense Accelerated Robust Features mit Gradientenhistogramm ein, um die Qualität der Bildsuche und die daraus resultierende Entwicklung diskriminativer Merkmale zu verbessern. Es wurde ein SVM-Klassifikator eingesetzt, und die jeweilige Genauigkeit erreichte mit dem Auswertungsdatensatz¹⁹ ein hohes Niveau von bis zu 90,27%. Srujan et al. präsentierten eine sechzehnschichtige Convolutional Neural Network (CNN) DL-Architektur, die Aktivierungsfunktionen wie ReLU und Adam-Optimierer kombiniert, um eine Klassifizierungsgenauigkeit von 95,36 % zu erreichen²⁰. Tejaswini et al. entwarfen ein CNN-Modell für die Diagnose von Meningiomen, Gliomen und Hypophysen-Hirntumoren, das eine Validierungsgenauigkeit von 87,16 % und eine Trainingsgenauigkeit von 92,79 % erreichte. Der Tumorbereich wurde auch durch Otsu-Schwellenwerte, Fuzzy-Cmeans und Watershed-Techniken segmentiert²¹. Huang et al. stellten CNN-BCN für die Klassifikation von Hirntumoren vor. Die Netzwerkarchitektur wurde nach der Zufallsgraphenmethode entworfen und erreichte die Zielgenauigkeit von bis zu 95,49 %²². Ghassemi et al. entwarfen ein DL-Modell für die Klassifizierung von Hirntumorbildern²³. Leistungsstarke Funktionen und Lernmuster wurden aus MRT-Bildern gewonnen, indem vortrainierte Netzwerke als GAN-Diskriminatoren verwendet wurden. Basierend auf einer fünffachen Kreuzvalidierung erreichte der Ansatz eine Genauigkeit von 95,6 %, indem Techniken wie Datenaugmentation und Dropout durch vollständig verbundene Schichten ersetzt wurden. Deepak et al. kombinierten SVM mit CNN zur Klassifizierung von Hirntumorbildern. Beim Test mit einem fünffachen Kreuzvalidierungsprotokoll erreichte das automatisierte System eine Genauigkeit von 95,82 % und war damit anderen Techniken überlegen²⁴. Noreen et al. nutzten die vortrainierten und fein abgestimmten Netzwerke wie Xception und InceptionV3 zur Identifizierung von Hirntumoren. Diese Modelle verwendeten eine breite Palette von maschinellen Lerntechniken wie RF, SVM und KNN, um mit einem Ensemble von InceptionV3²⁵ eine Genauigkeit von 94,34 % zu erreichen.

Shaik et al. klassifizierten Hirntumoren in der medizinischen Bildverarbeitung und präsentierten einen Manet-Ansatz, der Tumore priorisiert, indem er Raum und kanalübergreifende Aufmerksamkeit kombiniert, während zeitliche Verknüpfungen zwischen den Kanälen beibehalten werden. Bei der Aufgabe zur Klassifizierung von primären Hirntumoren erreichte der Ansatz eine Genauigkeit von 96,51 %²⁶. Ahmad et al. haben ein tiefes generatives neuronales Netzwerk zur Klassifizierung von Hirntumoren entwickelt. Die Technologie verwendete VAEs und GANs, um eine Genauigkeit von 96,25 % bei MRT-Bildern des Hirntumors zu erreichen^27,28. Alanazi et al. stellten ein DL-Modell zur Identifizierung von Hirntumor-Subtypen vor. Die Technik umfasste die Erstellung mehrerer CNN-Modelle und die Anwendung von Transferlernen zur Feinabstimmung der Gewichte eines 22-Schichten-CNN-Modells. Das Modell erreichte eine MRT-Bildgenauigkeit von 95,75 Prozent bzw. 96,89 Prozent bzw. ^29,30 Prozent. Almalki et al. wandten eine ML-Technik auf die MRT an, um den Schweregrad von vier Arten von Hirntumoren schnell zu analysieren. Die Zerlegung der MRTs in 8 x 8-Pixel-Bilder ermöglichte es ihnen, Gaußsche und nichtlineare Skalenmerkmale sowie winzige Details zu extrahieren. Die wichtigen Merkmale wurden identifiziert, in 400 nichtlineare Skalenmerkmale unterteilt und mit jedem MRT-Bild zusammengeführt. Sie verwendeten den SVM-Klassifikator und erreichten eine Genauigkeit von 95,33 %^31,32. Drei CNN-Modelle wurden von Kumar et al., nämlich InceptionV3, AlexNet und ResNet50, für die Klassifizierung von Primärtumoren verglichen und Datenaugmentationsmethoden verwendet. AlexNet übertraf andere in Bezug auf Spezifität und Genauigkeit und erhielt eine Punktzahl von 96,2 %³³.

Ullah et al. beschäftigen sich mit tieferen Lernmodellen für die Diagnose von Hirntumoren. DeepEBTDNet verbessert die MRT-Qualität durch die Anwendung von DSIHE und die Sicherstellung der Interpretierbarkeit durch LIME^34,35. TumorResNet mit 20 Faltungsschichten, mit dem eine Klassifikationsgenauigkeit von 99,33 % erreicht wird, stellt eine konsistente, automatisierte Methode zur Früherkennung und Behandlungsplanung von Hirntumoren^{dar 36}. Kumar et al. haben mehrere fortschrittliche DL-Architekturen für die Klassifizierung und Erkennung von Hirntumoren vorgestellt. Das PBTC-Modell kombiniert MRT-Vorverarbeitung, ACLS-Segmentierung und OHBO-optimiertes HRNN-BiLSTM, um eine Genauigkeit von 97,8 % zu erreichen³⁷. Ein Zweikanal-CNN mit der Berkeley Wavelet Transform und Enhanced Serval Optimization erreicht eine Genauigkeit von 98,8 % für vier Tumorarten³⁸. Disci et al. verwenden MRT-Daten, um vortrainierte DL-Modelle zur Klassifizierung von Hirntumoren zu evaluieren, und erreichen mit Xception³⁹ eine Genauigkeit von 98,73 %.

Protocol

Datensatzbeschreibung und explorative Analyse
Das Dataset besteht aus mehreren Quellen, um die Zuverlässigkeit und Genauigkeit des Modells zu verbessern. Merged_dataset enthält 20.620 Bilder aus Datensatz A (3.054), Datensatz B (3.264), Datensatz C (10.000) und Datensatz D (4.292). Darüber hinaus wurden 1.425 Bilder aus dem Brad-Datensatz für Gliom-Tumorgrade (HGG, LGG) hinzugefügt. Dieser vielfältige Datensatz sorgt für eine bessere Generalisierung, reduziert Verzerrungen und verbessert die Leistung des Modells. Der große Datensatz ermöglicht umfassende Auswertungen und damit eine höhere Wahrscheinlichkeit, in der realen Anwendung von Klassifikationsaufgaben die richtigen Vorhersagen zu erhalten.

In dieser Untersuchung wurden zwei unterschiedliche Datensätze verwendet. Zwischen 2005 und 2010 wurde das erste vom Nanfang Hospital and General Hospital der Tianjing Medical University in China erworben. T1-gewichtete kontrastmittelverstärkte Bilder von 233 Personen mit Tumoren sowie Gliomen der Grade II und III sind in der Sammlung enthalten. Der Datensatz bietet eine sehr umfassende Verteilung der Tumorkategorien und eine allgemeine Datenanalyse. Für das hochgradige Gliom (HGG) stehen 1.050 Bilder zur Verfügung, für das niedriggradige Gliom (LGG) sind es 375 Bilder, was bedeutet, dass schwereren Fällen (HGG) mehr Aufmerksamkeit geschenkt wird.

Abbildung 1 zeigt MRT-Scans, die in drei Hirntumortypen eingeteilt werden. Jede Reihe ist eine Art von Tumor, und es gibt drei Beispielbilder für jede Kategorie. Die Scans haben unterschiedliche Eigenschaften in verschiedenen Ausrichtungen und Ansichten, einschließlich axial, sagittal und koronal. Gliomproben haben unregelmäßige Strukturen, die in das Hirngewebe eindringen. Meningeomproben erscheinen als lokalisierte Massen in der Nähe der Oberfläche des Gehirns, und Hypophysentumorproben befinden sich in der Nähe des Zentrums des Gehirns. Diese Beispiele zeigen die Variabilität des Tumoraussehens und helfen so, ML-Modelle für die genaue Erkennung und Klassifizierung von Tumoren in der medizinischen Bildanalyse zu trainieren.

Abbildung 1: MRT-Scans von Tumoren. MRT-Scans von Meningeom-, Gliom- und Hypophysentumoren in axialen, sagittalen und koronalen Ansichten, die unterschiedliche bildgebende Merkmale hervorheben. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

Gliom hat die höchste Anzahl von Bildern, die knapp über 6.000 liegt. Das Meningeom hat rund 6.000 Bilder, während die Hypophyse fast so viele Bilder hat wie das Meningeom. Es scheint eine fast gleiche Aufteilung zwischen den drei Kategorien zu geben, was bedeutet, dass jede der Tumorarten gut für das Training oder eine Analyse repräsentiert ist. Das Gliom hat die größte mediane Dateigröße, obwohl das Meningeom einen engeren Bereich und mehr Ausreißer aufweist. Die moderate Varianz der Hypophyse enthält einige offensichtliche Ausreißer. Jede Kategorie enthält einige wirklich große Dateigrößen.

Abbildung 2 zeigt die PCA der Bildmerkmale für die drei Tumorarten. Die Hauptkomponente 1 erfasst die größte Varianz und trennt die Hypophyse (rechter Cluster) signifikant von den anderen. Gliome und Meningeome überlappen sich links hinunter, was darauf hindeutet, dass ihre Merkmalsrepräsentationen vergleichbar sind und ihre Trennbarkeit vermindert ist.

Abbildung 2: PCA der Bildmerkmale. Hauptkomponentenanalyse extrahierter Merkmale zur Unterscheidung von Gliom-, Meningeom- und Hypophysentumorklassen. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

Die in Abbildung 3 gezeigte Korrelations-Heatmap zeigt die Beziehungen zwischen den Attributen der Bildmetadaten: File_Size, Höhe und Breite. File_Size zeigt eine sehr geringe Korrelation sowohl mit der Höhe (-0,01) als auch mit der Breite (0,0039).

Abbildung 3: Korrelations-Heatmap von Metadaten. Heatmap, die Beziehungen zwischen Bildmetadatenattributen wie Dateigröße, -höhe und -breite anzeigt. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

Auch Höhe und Breite zeigen eine sehr geringe positive Korrelation von 0,0039. Die diagonalen Werte sind 1, was auf eine perfekte Korrelation jeder Variablen mit sich selbst hinweist. Im Allgemeinen sind die Attribute meist unkorreliert, was bedeutet, dass es unabhängige Variationen zwischen Dateigröße, Bildhöhe und -breite gibt.

Methodik und vorgeschlagene Architektur
Ein Arbeitsablauf, der Hirntumoren auf der Grundlage von MRT-Daten systematisch erkennt, klassifiziert und analysiert, ist in Abbildung 4 dargestellt. Die Methodik umfasst fortschrittliche Vorverarbeitungs-, Segmentierungs- und DL-Techniken, um eine robuste Tumorvorhersage und -klassifizierung zu erreichen.

Abbildung 4: Arbeitsablauf der vorgeschlagenen Methodik. Schrittweiser Arbeitsablauf für die Erkennung, Klassifizierung und Analyse von Tumoren anhand von MRT-Daten. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

Der Prozess beginnt mit der Integration einer Reihe von Datensätzen (bezeichnet als A, B, C und D). Anschließend werden die Datensätze zu einem umfassenden Datensatz kombiniert, um ganzheitliche Daten zu erhalten. Es umfasst auch das Brad-Dataset für Bildsegmentierungs-, Clustering- und Klassifizierungszwecke. Der zusammengeführte Datensatz umfasst das Anhängen aller Bilder in jedem Datensatz und jedem kombinierten Verzeichnis, um einen umfassenden und einheitlichen Datensatz für die weitere Analyse und die Entwicklung von Modellen mit mehreren Klassifizierungen zu gewährleisten.

Zweitens wird die Vorverarbeitung abgeschlossen, was ein wichtiger Schritt zur Verbesserung der Qualität und Variabilität der Daten ist. Neun Augmentationsprozesse werden auf die ursprünglichen MRT-Bilder angewendet, um die Modellleistung und die Vielfalt der Datensätze zu verbessern. Die Größenänderung des Bildes auf eine gemeinsame Größe harmonisiert sie, und die Konvertierung von RGB in Graustufen vereinfacht die Verarbeitung. Horizontales/vertikales Spiegeln verbessert die Robustheit, und die Drehung mit Zoom ahmt unterschiedliche Bildgebungsbedingungen nach. Die Verwendung von Sobel-Filtern verbessert die Schärfe der Merkmale und die Rauschzugabe verbessert die Variabilität. Unscharfe Maskierung verbessert die Bildschärfe, und Höhen- und Breitenverschiebungen fügen Positionsvariationen hinzu. Jede von ihnen verbessert in Kombination die Generalisierbarkeit und Klassifizierungsgenauigkeit des Modells. All dies garantiert, dass das Modell über ein breites Spektrum von Bildgebungssituationen verallgemeinert werden kann. Es gibt insgesamt 20.620 MRT-Bilder, und die Nachbearbeitung der Bilder, die für die Modellentwicklung verwendet werden, ergibt 185.580 Bilder.

Anschließend wird der zusammengeführte Datensatz mit dem U-Net-Modell segmentiert, das in der medizinischen Bildgebung stark genutzt wird. Die Architektur ist fein abgestimmt und trainiert, um Tumorregionen aus MRT-Scans zu identifizieren. Dieser Schritt erzeugt maskierte Bilder, die den Tumor hervorheben und irrelevante Details eliminieren. Die Segmentierung der Bilder sorgt für eine bessere Dateneingabe für die Klassifizierung und Analyse.

Im nächsten Schritt werden diese Modelle fein abgestimmt, um Bilder in verschiedene Klassen zu kategorisieren, wobei Transferlernen genutzt wird, um die Genauigkeit zu verbessern und gleichzeitig die Trainingszeit zu verkürzen. Für die Klassifizierung werden eine Reihe von vortrainierten Deep-Learning-Modellen verwendet, die jeweils besondere Vorteile bieten. Aufgrund seiner einfachen Handhabung und Effizienz bei der Bildkategorisierung werden VGG16 und VGG19 häufig verwendet. Mit optimaler Recheneffizienz bieten EfficientNetB0 und EfficientNetB7 Spitzenleistung. Die tiefere Architektur von ResNet101 verbessert die Klassifizierungsgenauigkeit, indem komplizierte Muster effektiv erfasst werden. Anschließend wird eine genaue Diagnose durch die Einteilung der MRT-Daten durch die trainierten Algorithmen in vier Tumorklassifikationen gewährleistet. Gliazellen sind die Quelle von Gliomtumoren, die die Gehirnfunktion beeinträchtigen. Meningeomtumoren entwickeln sich in den Hirnhäuten, den Schutzschichten des Gehirns und des Rückenmarks. Die Hirnanhangdrüse ist der Ort von Hypophysentumoren, die den Hormonhaushalt und physiologische Prozesse beeinflussen.

Um eine genaue Diagnose zu ermöglichen, werden dann Clustering-Techniken wie K-Nearest Neighbors (KNN) verwendet, um den Tumorgrad vorherzusagen. Der dritte und vierte Grad des hochgradigen Glioms (HGG) kennzeichnen eine schwere Tumorentwicklung. Grad 1 und 2 des niedriggradigen Glioms (LGG) sind langsamer wachsende, weniger aggressive Tumoren. Diese Einstufung ist wichtig, um die Aggressivität des Tumors und damit ein direktes klinisches Management zu ermitteln.

Um die Wirksamkeit der Kategorisierungsmodelle zu beurteilen, werden sie schließlich nach wichtigen Kriterien gegenübergestellt. Ihre Auswirkungen werden bewertet, um festzustellen, ob Augmentations- und Segmentierungsstrategien die Modellleistung verbessert haben. Um Zuverlässigkeit und Effektivität zu gewährleisten, wird auch die Leistung über eine Vielzahl von Datensätzen untersucht, und die Klassifizierungsgenauigkeit wird mit den fortschrittlichsten Modellen verglichen.

Der Workflow integriert die Datenaufbereitung, -vorverarbeitung, -segmentierung, -klassifizierung und -bewertung in einem kohärenten Rahmen. Es verbessert die Genauigkeit der Erkennung und Klassifizierung von Hirntumoren durch die Anwendung modernster DL-Methoden und eine strenge Vorverarbeitung. Die Einbeziehung des Tumorgradings unterstützt die klinische Entscheidungsfindung zusätzlich, so dass es sich um ein umfassendes System zur Tumoranalyse handelt.

Abbildung 5: Deep-Learning-Framework. Vorgeschlagener Rahmen für die Klassifizierung von Hirntumoren unter Verwendung von Deep-Learning-Modellen. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

Abbildung 5 zeigt eine Architektur in Bezug auf ein medizinisches Bildklassifikationssystem, das Hirntumoren mit Hilfe fortschrittlicher Rechentechniken wie Deep Learning identifiziert. Es beginnt mit einer Sammlung von MRT-Bildern, die klassifiziert wird. Somit wird dies das Rückgrat für den Klassifizierungsprozess sein. Dann werden die Eingabedaten in ein Datenvorverarbeitungsmodul eingegeben, in dem die Normalisierung oder Größenänderung und Bildverbesserung sowie die Entfernung von Rauschen durchgeführt werden. Durch die Vorverarbeitung werden Eingabebilder standardisiert, um die Trainingsphasen des Modells optimal zu nutzen. Der gesamte Schritt besteht darin, sich auf die nachfolgenden rechenintensiven Phasen vorzubereiten. Nach dem Vorverarbeitungsschritt werden die Daten dem Modul zur Merkmalsextraktion zugeführt. Hier kann der Einsatz von Berechnungstechniken oder -modellen, vielleicht DL-Modellen wie CNNs, erfolgen, um Merkmale in Bildern zu identifizieren. Die Merkmale, die extrahiert werden, können Muster enthalten, die auf Anomalien oder Tumoreigenschaften hinweisen. Anschließend wird dieser Satz von Features in das Klassifizierungsmodell eingegeben. Angesichts der Tatsache, dass dies wahrscheinlich darauf abzielen würde, verschiedene Klassen zu unterscheiden, zu denen das Vorhandensein oder Nichtvorhandensein eines Tumors und die Art des Tumors gehören, stützt sich das Modell auf eine ziemlich komplexe Architektur, wahrscheinlich unter anderem von Inception-ResNet-v2, um genaue Vorhersagen zu treffen. Es stellt fest, ob auf dem gescannten Hirnbild ein Tumor vorhanden ist oder nicht. Dieser Klassifizierungsschritt ist in "Tumor" und "Kein Tumor". Wenn ein Tumor gefunden wird, klassifiziert das System den Tumortyp als Gliom, Meningeom oder Hypophyse. Jeder dieser Typen verfügt über Merkmale, die das Modell anhand der extrahierten Features erkennt. Für die identifizierten Tumoren wird dann der Grad des Tumors bestimmt. Die Grade reichen von 1 bis 4 und geben den Schweregrad und das Fortschreiten des Tumors an. Grad 1 ist am wenigsten aggressiv, während Grad 4 am stärksten ist. Diese Einteilung hilft bei der medizinischen Diagnose und Behandlungsplanung. Zu den endgültigen Ergebnissen gehören das Fehlen oder Vorhandensein eines Tumors sowie dessen Art und Grad. Solche Ergebnisse sind sehr wertvoll für klinische Anwendungen für die Entscheidungsfindung in der Pflege und Behandlung von Patienten.

Das Verfahren stellt eine integrierte Pipeline für die medizinische Bildanalyse und Klassifizierung von Tumorarten dar. Beginnend mit Rohdaten geht es der Reihe nach weiter durch vorbereitende Daten, Extraktion von Merkmalen und Klassifizierung. Das System ermittelt, ob es sich tatsächlich um einen Tumor handelt, gibt dessen Typ an und gibt den Schweregrad oder den Grad an. Diese Pipeline, die komplexere Formen der Berechnung verwendet, rationalisiert die Diagnose in der medizinischen Bildgebung, so dass die Bewertungen bei Hirntumoren schneller und genauer erfolgen können. Ein modularer Workflow sorgt für Flexibilität, wobei die Komponenten separat optimiert werden können, um die Leistung zu verbessern.

Results

Die Trainingsumgebung nutzt die NVIDIA Tesla T4 GPU von Kaggle und ermöglicht so ein effizientes Modelltraining. Die wichtigsten Bibliotheken sind TensorFlow, PyTorch, Keras, NumPy und Pinecone, die starke Deep-Learning-Pipelines ermöglichen. DenseNet201, InceptionV3 und Inception-ResNet-v2 wurden aufgrund ihrer nachgewiesenen Wirksamkeit in der medizinischen Bildgebung ausgewählt. Diese Designs bieten eine tiefe Merkmalsextraktion, eine robuste Gradientenströmung und hybride Stärken, die die Genauigkeit verbessern, Über...

Discussion

Eine frühzeitige Diagnose von Hirntumoren kann entscheidend sein, um das Leben eines Menschen zu retten, da Hirntumoren sehr gefährlich und tödlich sein können. Derzeit stützt sich die Tumordiagnostik auf die manuelle Interpretation durch Radiologen, was zu Verzögerungen und menschlichem Versagen bei der Erkennung von Malignomen in frühen Stadien führen kann. Daher wird in dieser Arbeit ein Hirntumordiagnosemodell mit mehreren Klassifikationen vorgestellt, das Tumore präzise erkennen, lo...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
fastText	Facebook-KI	N/A	Wortdarstellung und -klassifikation
Google Colab	Googeln	N/A	Cloud-basierte Jupyter Notebook-Umgebung
Google Colab GPU/TPU	Googeln	N/A	Cloud-basierte Hardwarebeschleunigung
Intel Core i5/i7 oder AMD Ryzen 5/7	Intel / AMD	N/A	Prozessor für lokale Ausführung (falls erforderlich)
Matplotlib	Open-Source	N/A	Bibliothek zur Datenvisualisierung
NLTK	Open-Source	N/A	Natural Language Toolkit für die Textverarbeitung
NumPy	Open-Source	N/A	Bibliothek für numerisches Rechnen
NVIDIA GTX 1650 oder höher (optional)	NVIDIA	N/A	GPU für Deep-Learning-Aufgaben
Pandas	Open-Source	N/A	Bibliothek für Datenmanipulation
Python	Python-Software-Stiftung	N/A	Programmiersprache für ML und NLP
PyTorch	Meta-KI	N/A	Deep-Learning-Framework
RAM (mindestens 8 GB, 16 GB empfohlen)	Verschieden	N/A	Speicherbedarf für ML-Aufgaben
Scikit-lernen	Open-Source	N/A	Bibliothek für maschinelles Lernen
Seegeborene	Open-Source	N/A	Visualisierung statistischer Daten
Geräumig	Explosions-KI	N/A	Industrietaugliche NLP-Bibliothek
SSD-Speicher (mindestens 256 GB, 512 GB empfohlen)	Verschieden	N/A	Speicher für die Verarbeitung von Datensätzen
TensorFlow	Googeln	N/A	Deep-Learning-Framework