מסגרת מבוססת רשת עצבית קונבולוציונית לסיווג ופילוח גידולי מוח באמצעות תמונות תהודה מגנטית

Summary

אלגוריתמים של למידה עמוקה שימשו ב-MRI לביצוע סיווג ופילוח של גידולי מוח עם U-Net. InceptionV3, DenseNet201 ו-Inception-ResNet-v2 ביצעו דיוק מצוין בחיזוי סוג הגידול והדרגה. מודלים היברידיים מוגברים GPT-4.0 להפקת דוחות רפואיים אוטומטיים וסיוע באבחון.

Abstract

אבחון מוקדם של גידולי מוח הוא קריטי לאופטימיזציה של הפרוגנוזה ובחירת הטיפול של המטופל. פילוח וסיווג מדויקים של גידולי מוח חיוניים ליצירת טכניקות טיפול מומחיות. ככל שהשימוש ב-MRI לאבחון מוח גדל וטכנולוגיית הראייה הממוחשבת משתפרת גם היא, קיום מודל טוב ויעיל לזיהוי וסיווג גידולים על סמך סריקות MRI נותר מאתגר. כדי לטפל בבעיה זו, המחברים הציעו טכניקה מבוססת למידה עמוקה לפלח ולסווג גידולי מוח ממערכי נתונים שונים. עיבוד מקדים של תמונה השתמש בתשע שיטות הגדלה כדי לשפר את ביצועי המודל. פילוח ה-MRI נעשה באמצעות מודל U-Net.

מודל הסיווג שפותח המבוסס על InceptionV3 ו-DenseNet201 מנבא את קיומו של הגידול ומסווג אותו לגליומה, מנינגיומה ויותרת המוח. עם דיוק של 99.15%, InceptionV3 גבוה יותר מ-98.75% של DenseNet201 בסיווג הגידול. סיווג גידול נוסף בוצע על ידי Clustering כ-HGG ו-LGG על בסיס Inception-ResNet-v2. דרגות הגידול (1-4) מזוהות בדיוק של 96.64% על ידי Inception-ResNet-v2. מערכת אוטונומית משלבת מודלים היברידיים עם GPT-4.0 כדי להפיק דוחות. לפיכך, מסגרת חדשה זו יכולה בהחלט להתאים למרפאות כאשר היא משמשת לזיהוי והפרדה אוטומטית של גידולי מוח באמצעות תמונות קלט שצולמו מסריקות MRI.

Introduction

גידולי מוח עלולים לפגוע משמעותית באיכות החיים של החולים ובני משפחותיהם ומהווים מקרה אחד מכל 100 סוגי סרטן המטופלים מדי שנה בארה"ב ^1,2,3. גליומה היא גידול המוח הראשוני הנפוץ ביותר בקרב אנשים בארצות הברית, עם שכיחות של 6.5 לכל 100,000. הם נוצרים באסטרוציטים, אוליגודנדרוציטים ותאי אפנדימל, תאי הגליה המספקים הזנה לנוירונים במוח. גליומה מסווגת לסוגים שונים על בסיס תא הגליה הפגוע בגידול כמו גם הפרופיל הגנטי שלו, שעשוי להיות שימושי כעת לחיזוי ההתנהגות שהגידול עשוי לעבור לאורך זמן והטיפולים שסביר להניח שיהיו יעילים ^4,5,6. גליומה יכולה להשבית את תפקוד המוח ואף להיות קטלנית על סמך מיקומה וקצב הגדילה שלה. מנינגיומות מהוות 15-20% מכלל גידולי המוח הראשוניים. השכיחות שלהם בסקר רגיל היא אחד לכל 100 אנשים בסדרה ניתוחית. ההנחה היא שמקורם בתא הכובע הארכנואידי. מנינגיומות מציגות קשת רחבה של התנהגויות, הנעות בין שפירה לאגרסיבית ביותר, בהתבסס על מיקומן. הם מופיעים עם סוגים רבים של תסמינים אך רוב החולים נשארים ללא תסמינים.

התסמינים והסימנים הנלווים נגרמים בעיקר מדחיסה של המבנים הסמוכים, ולכן הם יכולים להופיע גם עם תסמינים כמו התקפים מוטוריים, ליקוי תחושתי, הפרעה בדיבור, אנוסמיה ועוד רבים אחרים. גידולי יותרת המוח הם הגידולים הראשוניים הראשוניים השלישיים בשכיחותם, אחרי גליומות ומנינגיומות, המהווים כ-10% מכלל הניאופלזמות הראשוניות במוח שנכרתו. הם עשויים להתרחש בדרכים רבות עקב הפרשת יתר או תת-הפרשת הורמוני יותרת המוח, התכווצות של גבעול יותרת המוח, או השפעות על המבנים שמסביב, במיוחד הכיאזמה האופטית.

בהשוואה לסריקות CT מוח סטנדרטיות, תמונות MRI מכילות טווח ניגודיות רקמות גדול ^7,8,9. פיתוח שיטת פילוח אוטומטית קבועה של גידולי מוח, לפיכך, תהיה בעלת חשיבות עליונה באבחון וטיפול נכון בחולים אלה. לכן, לפיתוח טכניקה אוטומטית אמינה לפילוח גידולי מוח תהיה חשיבות רבה באבחון וטיפול נכון בחולים אלה. שיטות חכמות אלו יסייעו לנוירוכירורגים ולרדיולוגים להעריך טוב יותר את נפח הגידול, צורת הגידול ולהגדיר בצורה מדויקת יותר את הגבול בין הגידול לרקמות נורמליות סמוכות.

למידת מכונה יכולה להועיל לקביעת סוג ונוכחות גידולי מוח אך דורשת התערבות אנושית רבה יותר מכיוון שהמודלים שלה מנבאים. מודלים של למידה עמוקה, לעומת זאת, יכולים ללמוד ולזהות תכונות בגלל רשתות עצביות, שיהיו עיקרו של תהליך זיהוי שלם אוטומטי לחלוטין. שיטות למידת מכונה (ML) רבות פותחו עבור רדיולוגים כך שהם מקבלים חזיונות יוצאי דופן במהלך זיהוי וסיווג של תמונות MR. השיטה היעילה ביותר מבין מגזר שלם של שיטות לגילוי סרטן היא באמצעות הדמיה רפואית. מתודולוגיות אלו מועילות בזיהוי ואיתור ניאופלזמות ממאירות. מתודולוגיה זו חיונית מכיוון שאין לה את האופי הפולשני הקשור לפרקטיקות רפואיות אחרות. ההליכים אינם פולשניים 10,11,12. החידוש בעבודה זו הוא שהיא מציעה מסגרת ייחודית מבוססת DL לסיווג ודירוג אוטומטי, מדויק ויעיל של גידולי מוח באמצעות תמונות MRI, מה שמפחית את הצורך בפענוח ידני.

המחברים הציעו מודלים לסיווג גידולי מוח באמצעות גישות מיצוי תכונות nLBP ו-LBP. מודלים אפיינו במדויק את הסוגים הנפוצים ביותר של סרטן המוח. הדיוק המרבי של 95.56% הושג באמצעות סכימת חילוץ תכונות nLBPD = 1 עם דגם KNN¹¹. המחברים סקרו את הפריסה הקלינית של למידה עמוקה (DL) ברדיוגרפיה ותיעדו פעולות המעורבות בתחום זה¹³. הם הדגישו את ההשלכות הקליניות של DL במספר תחומים קליניים. DL הוכיח תוצאות משביעות רצון ביישומים רדיולוגיים מסוימים, אך הטכנולוגיה אינה בשלה ואינה יכולה להחליף את מקצוע האבחון של רדיולוג¹⁴. שילוב אלגוריתמי DL עם רדיולוגים משפר את יעילות האבחון והיעילות. MRI הוערך במחקרים רבים על יישומו האפשרי בסיווג גידולי מוח באמצעות עיצובי מחקר שונים.

אפשר ועמיתיו הציעו ארכיטקטורת CapsNet משופרת לסיווג גידולי מוח עיקריים עם 3,064 תמונות עם אזורי קלט עזר מעניינים באמצעות יישום גבולות הגידול כדי להשקיע מאמץ רב יותר ולשפר שיטות אחרות לדיוק של 90.89%¹⁵. Gumaei et al. הציעו שיטה היברידית מבוססת מיצוי תכונות לסיווג גידולי מוח באמצעות RELM. המחברים נרמלו את תמונת המוח באמצעות נורמליזציה מינימלית-מקסימלית והשתמשו ב-RELM לסיווג כדי להשיג דיוק של 94.23%¹⁶. תוכנית משולבת המשתמשת בסגמנטציה וסיווג גידולי מוח באמצעות MRI הוצעה על ידי Rezaei et al. השלבים ששימשו היו הסרת רעש, פילוח באמצעות מכונה וקטורית תומכת (SVM), חילוץ תכונות ובחירת תכונות באמצעות DE. פרוסות הגידול סווגו באמצעות מסווגים WSVM, KNN ו-HIK-SVM. המסווגים, עם שיטות אנסמבל המבוססות על MODE, השיגו דיוק של 92.46%¹⁷. פואד ועמיתיו הציעו סיווג של גידול במוח באמצעות מתארי תכונות HDWT-HOG ו-WOA להפחתת תכונות. השיטה השתמשה בשיטות אנסמבל עם Bagging. עם Bagging, הושג דיוק ממוצע של 96.4%, ועם Boosting, הערך שהושג הוא 95.8%¹⁸.

Ayadi et al. הציגו את תהליך סיווג גידולי המוח באמצעות טכניקות כמו נורמליזציה ותכונות חזקות מואצות צפופות עם היסטוגרמה של שיפוע, הגברת חיפוש תמונות איכותי ופיתוח תכונות הבחנה כתוצאה מכך. נעשה שימוש במסווג SVM, והדיוק המתאים הגיע לרמה גבוהה של עד 90.27% עם מערך נתוני ההערכה¹⁹. Srujan et al. הציגו ארכיטקטורת DL של רשת עצבית קונבולוציונית (CNN) בת שש עשרה שכבות המשלבת פונקציות הפעלה כמו ReLU ואופטימיזציה של Adam כדי להשיג דיוק סיווג של 95.36%²⁰. Tejaswini et al. עיצב מודל CNN לאבחון סרטן מוח מנינגיומה, גליומה ויותרת המוח, שהשיג דיוק אימות של 87.16% ודיוק אימון של 92.79%. אזור הגידול חולק גם על ידי סף אוטסו, אמצעים מטושטשים וטכניקות פרשת מים²¹. הואנג ואחרים הציגו את CNN-BCN לסיווג סרטן המוח. ארכיטקטורת הרשת תוכננה בשיטת הגרף האקראי, והיא השיגה דיוק יעד של עד 95.49%²². Ghassemi et al. עיצב מודל DL לסיווג תמונות גידול מוח²³. תכונות ודפוסי למידה רבי עוצמה התקבלו מתמונות MR על ידי שימוש ברשתות מאומנות מראש כמפלי GAN. בהתבסס על אימות צולב פי חמישה, הגישה הגיעה לדיוק של 95.6% על ידי החלפת טכניקות כמו הגדלת נתונים ונשירה בשכבות מחוברות במלואן. דיפאק ועמיתיו שילבו SVM עם CNN לסיווג תמונות של גידולי מוח. לאחר בדיקה עם פרוטוקול אימות צולב פי חמישה, המערכת האוטומטית השיגה דיוק של 95.82%, עדיף על טכניקות אחרות²⁴. נורין ועמיתיו השתמשו ברשתות מאומנות מראש ומכווננות כמו Xception ו-InceptionV3 לזיהוי סרטן המוח. מודלים אלה השתמשו במגוון רחב של טכניקות למידת מכונה כמו RF, SVM ו-KNN כדי להשיג דיוק של 94.34% עם אנסמבל של InceptionV3²⁵.

שייק ועמיתיו סיווגו גידולי מוח בעיבוד תמונה רפואית והציגו גישת מאנה המתעדפת גידולים על ידי שילוב מרחב וקשב חוצה ערוצים תוך שמירה על קשרים זמניים בין ערוצים. במשימת סיווג גידולי המוח הראשונית, הגישה השיגה דיוק של 96.51%²⁶. אחמד ועמיתיו יצרו רשת עצבית גנרטיבית עמוקה לסיווג גידולי מוח. הטכנולוגיה השתמשה ב-VAEs ו-GAN כדי להשיג דיוק של 96.25% בתמונות MR של גידול המוח^27,28. מודל DL הוצג על ידי Alanazi et al. לזיהוי תת-סוגים של גידולי מוח. הטכניקה כללה יצירת מודלים מרובים של CNN ויישום למידת העברה כדי לכוונן את המשקלים של מודל CNN בן 22 שכבות. המודל השיג דיוק תמונת MRI של 95.75 אחוז ו-96.89 אחוז,^29,30 בהתאמה. אלמאלכי ועמיתיו יישמו טכניקת ML ל-MRI כדי לנתח במהירות את חומרתם של ארבעה סוגים של גידולי מוח. פירוק ה-MRI לתמונות של 8 x 8 פיקסלים איפשר להם לחלץ מאפיינים בקנה מידה גאוס ולא ליניארי כמו גם פרטים זעירים. המאפיינים החשובים זוהו, חולקו ל-400 תכונות בקנה מידה לא ליניארי, והתמזגו עם כל תמונת MR. הם השתמשו במסווג SVM והשיגו דיוק של 95.33%^31,32. שלושה מודלים של CNN הושוו על ידי Kumar et al., כלומר, InceptionV3, AlexNet ו-ResNet50, לסיווג הגידול הראשוני, והשתמשו בשיטות הגדלת נתונים. AlexNet ניצחה אחרים מבחינת ספציפיות ודיוק, וזכתה לציון של 96.2%³³.

Ullah et al. מתעמקים במודלים של למידה עמוקה יותר לאבחון גידולי מוח. DeepEBTDNet משפר את איכות ה-MRI על ידי יישום DSIHE והבטחת יכולת פרשנות באמצעות LIME^34,35. TumorResNet עם 20 שכבות קונבולוציוניות, המשמשת להשגת דיוק סיווג של 99.33%, מציגה שיטה עקבית ואוטומטית לאבחון מוקדם של גידולי מוח ותכנון טיפול³⁶. מספר ארכיטקטורות DL מתקדמות הוצגו על ידי Kumar et al. לסיווג וזיהוי גידולי מוח. מודל PBTC משלב עיבוד מקדים של MRI, פילוח ACLS ואופטימיזציה של OHBO HRNN-BiLSTM כדי להשיג דיוק של 97.8%³⁷. CNN דו-ערוצי עם Berkeley Wavelet Transform ואופטימיזציה משופרת של סרוואל מגיע לדיוק של 98.8% עבור ארבעה סוגי גידולים³⁸. Disci et al. משתמשים בנתוני MRI כדי להעריך מודלים של DL מאומנים מראש לסיווג גידולי מוח ומשיגים דיוק של 98.73% עם Xception³⁹.

Protocol

תיאור מערך נתונים וניתוח גישוש
מערך הנתונים מורכב ממספר מקורות כדי לשפר את האמינות והדיוק של המודל. Merged_dataset מכיל 20,620 תמונות ממערך נתונים A (3,054), Dataset B (3,264), Dataset C (10,000) ו-Dataset D (4,292). יתר על כן, 1,425 תמונות ממערך הנתונים של בראד נוספו עבור דרגות גידול גליומה (HGG, LGG). מערך נתונים מגוון זה יבטיח הכללה טובה יותר, יפחית הטיות וישפר את ביצועי המודל. מערך הנתונים הגדול מאפשר הערכות מקיפות ולכן, יש סבירות גבוהה יותר לקבל את התחזיות הנכונות ביישומים בעולם האמיתי של משימות סיווג.

שני מערכי נתונים נפרדים שימשו בחקירה זו. בין 2005 ל-2010, הראשון נרכש מבית החולים Nanfang ובית החולים הכללי של האוניברסיטה הרפואית טיאנג'ינג בסין. תמונות משופרות ניגודיות משוקללות T1 מ-233 אנשים עם גידולים, כמו גם גליומה דרגות II ו-III, כלולות באוסף. מערך הנתונים מציע התפלגות מקיפה מאוד של קטגוריות גידול וניתוח נתונים כללי. עבור גליומה בדרגה גבוהה (HGG), ישנן 1,050 תמונות זמינות, ועבור גליומה בדרגה נמוכה (LGG), ישנן 375 תמונות, כלומר ניתנת תשומת לב רבה יותר למקרים חמורים יותר (HGG).

איור 1 מציג סריקות MRI שמסווגות לשלושה סוגי גידולי מוח. כל שורה היא סוג אחד של גידול, וישנן שלוש תמונות לדוגמה לכל קטגוריה. לסריקות מאפיינים שונים בכיוונים ונופים שונים, כולל צירי, סגיטלי ועטרה. לדגימות גליומה יש מבנים לא סדירים החודרים לרקמות המוח. דגימות מנינגיומה מופיעות כגושים מקומיים ליד פני השטח של המוח, ודגימות גידול יותרת המוח ממוקמות ליד מרכז המוח. דוגמאות אלו מציגות שונות במראה הגידול, ובכך עוזרות לאמן מודלים של ML לזיהוי מדויק כמו גם סיווג של גידולים בניתוח תמונה רפואית.

איור 1: סריקות MRI של גידולים. סריקות MRI של מנינגיומה, גליומה וגידולי יותרת המוח בתצוגות ציריות, סגיטליות וקורונליות, המדגישות מאפייני הדמיה מובהקים. אנא לחץ כאן לצפייה בגרסה גדולה יותר של איור זה.

לגליומה יש את המספר הגבוה ביותר של תמונות, שהוא קצת יותר מ-6,000. למנינגיומה יש כ-6,000 תמונות, בעוד שליותרת המוח יש כמעט אותו מספר תמונות כמו למנינגיומה. נראה שיש חלוקה כמעט שווה בין שלוש הקטגוריות, כלומר כל אחד מסוגי הגידול מיוצג היטב לאימון או לכל ניתוח. לגליומה יש את גודל הקובץ החציוני הגדול ביותר, אם כי למנינגיומה יש טווח מוגבל יותר וחריג יותר. השונות המתונה של יותרת המוח מכילה כמה חריגים לכאורה. כל קטגוריה מכילה כמה גדלי קבצים ענקיים באמת.

איור 2 מציג את ה-PCA של תכונות התמונה עבור שלושת סוגי הגידולים. מרכיב עיקרי 1 לוכד את השונות הגדולה ביותר ומפריד באופן משמעותי את יותרת המוח (אשכול ימני) מהאחרים. גליומות ומנינגיומות חופפות משמאל, מה שמצביע על כך שייצוגי התכונות שלהן דומים ושיכולת ההפרדה שלהן פוחתת.

איור 2: PCA של תכונות תמונה. ניתוח רכיבים עיקריים של תכונות שחולצו המבדילות בין מחלקות גליומה, מנינגיומה וגידולי יותרת המוח. אנא לחץ כאן לצפייה בגרסה גדולה יותר של איור זה.

מפת החום של המתאם המוצגת באיור 3 מתארת את הקשרים בין תכונות מטא נתונים של תמונה: File_Size, גובה ורוחב. File_Size מראה מתאם נמוך מאוד הן עם הגובה (-0.01) והן עם הרוחב (0.0039).

איור 3: מפת חום מתאם של מטא נתונים. מפת חום המציגה קשרים בין תכונות מטא נתונים של תמונה כגון גודל קובץ, גובה ורוחב. אנא לחץ כאן לצפייה בגרסה גדולה יותר של איור זה.

גובה ורוחב מראים גם מתאם חיובי נמוך מאוד של 0.0039. הערכים האלכסוניים הם 1, מה שמצביע על מתאם מושלם של כל משתנה עם עצמו. באופן כללי, התכונות לרוב אינן מתואמות, כלומר וריאציות בלתי תלויות בין גודל הקובץ, גובה התמונה והרוחב.

מתודולוגיה וארכיטקטורה מוצעת
זרימת עבודה שמאתרת, מסווגת ומנתחת באופן שיטתי גידולי מוח על סמך נתוני MRI מיוצגת באיור 4. המתודולוגיה כוללת טכניקות מתקדמות של עיבוד מקדים, פילוח ו-DL להשגת חיזוי וסיווג גידול חזקים.

איור 4: זרימת העבודה של המתודולוגיה המוצעת. זרימת עבודה מדורגת לזיהוי, סיווג וניתוח גידול באמצעות נתוני MRI. אנא לחץ כאן לצפייה בגרסה גדולה יותר של איור זה.

התהליך מתחיל בשילוב מספר מערכי נתונים (מסומנים כ-A, B, C ו-D). לאחר מכן, מערכי הנתונים משולבים למערך נתונים מקיף אחד כדי לקבל נתונים הוליסטיים. זה כולל גם את מערך הנתונים של Brad למטרות פילוח תמונות, אשכולות וסיווג. מערך הנתונים הממוזג כולל צירוף כל התמונות בכל מערך נתונים וספריות משולבות, מה שמבטיח מערך נתונים מקיף ומאוחד להמשך ניתוח ופיתוח מודל מרובה סיווגים.

שנית, העיבוד המקדים הושלם, שהוא צעד חשוב בשיפור האיכות והשונות של הנתונים. תשעה תהליכי הגדלה מיושמים על תמונות ה-MRI המקוריות כדי לשפר את ביצועי המודל ומגוון מערכי הנתונים. שינוי גודל התמונה לגודל משותף יוצר הרמוניה ביניהן, והמרת RGB לגווני אפור מפשטת את העיבוד. היפוך אופקי/אנכי משפר את החוסן, וסיבוב עם זום מחקה תנאי הדמיה שונים. השימוש בסינון Sobel משפר את חדות התכונה, והוספת רעש משפרת את השונות. הסרת מיסוך משפרת את חדות התמונה, ושינוי גובה ורוחב מוסיף וריאציות מיקום. כל אחד מהם, בשילוב, משפר את יכולת ההכללה ודיוק הסיווג של המודל. כל אלה מבטיחים שהמודל מכליל על פני קשת רחבה של מצבי הדמיה. יש בסך הכל 20,620 תמונות MRI, וסך כל התמונות המשמשות לפיתוח המודל מניב 185,580 תמונות.

לאחר מכן, מערך הנתונים הממוזג מפולח באמצעות מודל U-Net, הנמצא בשימוש רב בהדמיה רפואית. הארכיטקטורה מכווננת ומאומנת לזהות אזורי גידול מסריקות MRI. שלב זה מייצר תמונות מוסוות, המדגישות את הגידול ומעלימות פרטים לא רלוונטיים. פילוח התמונות מבטיח קלט נתונים טוב יותר לסיווג וניתוח.

בשלב הבא, מודלים אלה מכווננים כדי לסווג תמונות למחלקות שונות, תוך מינוף למידת העברה כדי לשפר את הדיוק תוך הפחתת זמן האימון. לצורך סיווג משתמשים במספר מודלים של למידה עמוקה שהוכשרו מראש, כל אחד עם יתרונות מיוחדים. בגלל קלות השימוש והיעילות בסיווג תמונות, VGG16 ו-VGG19 משמשים לעתים קרובות. עם יעילות חישובית אופטימלית, EfficientNetB0 ו-EfficientNetB7 מציעים ביצועים מתקדמים. הארכיטקטורה העמוקה יותר של ResNet101 משפרת את דיוק הסיווג על ידי לכידת דפוסים מורכבים ביעילות. לאחר מכן, אבחון מדויק מובטח על ידי סיווג נתוני ה-MRI על ידי האלגוריתמים המאומנים לארבעה סיווגי גידולים. תאי גליה הם המקור לגידולי גליומה, הפוגעים בתפקוד המוח. גידולי מנינגיומה מתפתחים בקרום המוח, שהם שכבות מגן של המוח וחוט השדרה. בלוטת יותרת המוח היא אתר של גידולי יותרת המוח, המשפיעים על איזון ההורמונים ועל תהליכים פיזיולוגיים.

לאחר מכן, כדי לסייע באבחון מדויק, נעשה שימוש בטכניקות אשכולות כגון K-Nearest Neighbors (KNN) לחיזוי דרגות הגידול. דרגות שלוש וארבע של גליומה בדרגה גבוהה (HGG) מציינות התפתחות גידול חמור. דרגות 1 ו-2 של גליומה בדרגה נמוכה (LGG) הן גידולים איטיים יותר ופחות אגרסיביים, בהתאמה. דירוג זה חיוני כדי לבסס את האגרסיביות של הגידול ולכן, ניהול קליני ישיר.

לבסוף, כדי להעריך את יעילות מודלי הסיווג, הם מושווים על פי קריטריונים חשובים. השפעותיהם מוערכות כדי לוודא אם אסטרטגיות הגדלה ופילוח שיפרו את ביצועי המודל. כדי להבטיח אמינות ויעילות, הביצועים נבדקים גם על פני מגוון מערכי נתונים, ודיוק הסיווג מנוגד למודלים המתקדמים ביותר.

זרימת העבודה משלבת הכנת נתונים, עיבוד מקדים, פילוח, סיווג ודירוג במסגרת קוהרנטית. זה משפר את הדיוק של זיהוי וסיווג גידולי מוח באמצעות יישום שיטות DL מתקדמות ועיבוד מקדים קפדני. הכללת דירוג הגידול תומכת עוד יותר בקבלת החלטות קליניות, מה שהופך אותה למערכת מקיפה לניתוח גידולים.

איור 5: מסגרת למידה עמוקה. מסגרת סיווג מוצעת של גידולי מוח באמצעות מודלים של למידה עמוקה. אנא לחץ כאן לצפייה בגרסה גדולה יותר של איור זה.

איור 5 הוא ארכיטקטורה ביחס למערכת סיווג תמונות רפואיות המזהה גידולי מוח בעזרת טכניקות חישוביות מתקדמות כגון למידה עמוקה. זה מתחיל באוסף של תמונות MRI שמסווג. לפיכך, זה יהיה עמוד השדרה לתהליך הסיווג. לאחר מכן, נתוני קלט מזינים מודול עיבוד מקדים של נתונים שבו מתבצעים הנורמליזציה, או שינוי הגודל והגדלת התמונה, כמו גם הסרת רעש. עיבוד מקדים מתקנן תמונות קלט כדי להפיק את המרב משלבי האימון של המודל. השלב כולו עוסק בהכנה לעבור שלבים אינטנסיביים מבחינה חישובית. לאחר שלב העיבוד המקדים, הנתונים מוזנים למודול חילוץ התכונות. כאן, ניתן להשתמש בטכניקות או מודלים חישוביים, אולי מודלים של DL כגון CNN, כדי לזהות תכונות בתמונות. התכונות המופקות יכולות לכלול דפוסים המצביעים על חריגות או מאפייני גידול. לאחר מכן, קבוצת תכונות זו מוזנת למודל הסיווג. בהתחשב בכך שככל הנראה זה יכוון להבחין בין מחלקות שונות, הכוללות קיומו או אי קיומו של גידול וסוג הגידול, המודל מסתמך על ארכיטקטורה מורכבת למדי, ככל הנראה של Inception-ResNet-v2, בין היתר, לתחזיות מדויקות. הוא קובע אם קיים גידול בתמונת המוח הסרוקה. שלב סיווג זה הוא ל"גידול" ו"ללא גידול". כאשר נמצא גידול, המערכת מסווגת את סוג הגידול כגליומה, מנינגיומה או יותרת המוח. לכל אחד מהסוגים הללו יש מאפיינים שהמודל מזהה באמצעות התכונות שחולצו. עבור הגידולים שזוהו, נקבע דרגת הגידול. הציונים נעים בין 1 ל-4, מה שמעיד על חומרת הגידול והתקדמותו. דרגה 1 היא הכי פחות אגרסיבית, בעוד שדרגה 4 היא החמורה ביותר. סיווג זה מסייע באבחון רפואי ובתכנון טיפול. התפוקות הסופיות כוללות היעדר או נוכחות של הגידול וסוגו ודרגתו. תפוקה כזו היא בעלת ערך רב ליישומים קליניים לקבלת החלטות בטיפול בחולים.

התהליך מייצג צינור משולב לניתוח תמונות רפואיות וסיווג סוגי גידולים. החל מנתונים גולמיים, זה ממשיך ברצף דרך נתוני הכנה, חילוץ תכונות וסיווג. המערכת קובעת אם אכן יש לו גידול, מציינת את סוגו ונותנת את החומרה או הדרגה. צינור זה, המשתמש בצורות חישוב מורכבות יותר, מייעל את האבחנה בהדמיה רפואית כך שההערכות יכולות להיות מהירות ומדויקות יותר בגידולי מוח. זרימת עבודה מודולרית מבטיחה גמישות, שבה ניתן למטב רכיבים בנפרד לביצועים משופרים.

Results

סביבת האימון ממנפת את ה-NVIDIA Tesla T4 GPU של Kaggle, ומאפשרת אימון מודלים יעיל. הספריות החשובות הן TensorFlow, PyTorch, Keras, NumPy ו-Pinecone, המאפשרות צינורות למידה עמוקה חזקים. DenseNet201, InceptionV3 ו-Inception-ResNet-v2 נבחרו בגלל יעילותם המוכחת בהדמיה רפואית. עיצובים אלה מספקים חילוץ תכונות עמוק, זרימת שיפוע חזקה ועוצמות היברידיות, המשפרות את הדיוק, ממזערות התאמת יתר ומשפרות את הכללת המודל בזיהוי גידולי מוח על ידי מינוף יכולות למידה קונבולוציוניות ושאריות מעולות. ב-DenseNet201, כל שכבה מקבלת קלט משכבות קודמות,...

Discussion

אבחון מוקדם של גידולי מוח עשוי להיות חיוני להצלת חייו של אדם, מכיוון שגידולי מוח יכולים להיות מסוכנים וקטלניים ביותר. נכון לעכשיו, אבחון גידולים מסתמך על פענוח ידני של רדיולוגים, מה שעלול לגרום לעיכובים וטעויות אנוש באיתור ממאירויות בשלבים מוקדמים. לפיכך, מאמר זה מציג מודל אבחון גידולי מוח רב-סיווג שיכול לזהות, למקם ולסווג במדויק גידולים, במיוחד כאשר עוסקים בצורות, גדלים ומרקמים שונים. הוא משלב שיטות היברידיות ומודלים מתקדמים של למידה עמוקה על הדמיה רפואית כדי להגביר את הדיוק ולבצע סיווג...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
טקסט מהיר	הבינה המלאכותית של פייסבוק	לא ישים	ייצוג וסיווג מילים
גוגל קולאב	גוגל	לא ישים	סביבת Jupyter Notebook מבוססת ענן
Google Colab GPU/TPU	גוגל	לא ישים	האצת חומרה מבוססת ענן
Intel Core i5/i7 או AMD Ryzen 5/7	אינטל / AMD	לא ישים	מעבד לביצוע מקומי (אם נדרש)
מטפלוטלב	קוד פתוח	לא ישים	ספריית תצוגה חזותית של נתונים
NLTK	קוד פתוח	לא ישים	ערכת כלים לשפה טבעית לעיבוד טקסט
NumPy	קוד פתוח	לא ישים	ספריית מחשוב מספרית
NVIDIA GTX 1650 ואילך (אופציונלי)	NVIDIA	לא ישים	GPU למשימות למידה עמוקה
פנדה	קוד פתוח	לא ישים	ספריית טיפול בנתונים
פייתון	קרן התוכנה של פייתון	לא ישים	שפת תכנות ל-ML ו-NLP
פייטורץ'	מטא בינה מלאכותית	לא ישים	מסגרת למידה עמוקה
זיכרון RAM (מינימום 8GB, מומלץ 16GB)	מגוון	לא ישים	דרישת זיכרון למשימות ML
Scikit-learn	קוד פתוח	לא ישים	ספריית למידת מכונה
סיבורן	קוד פתוח	לא ישים	ויזואליזציה של נתונים סטטיסטיים
SpaCy	פיצוץ AI	לא ישים	ספריית NLP בעוצמה תעשייתית
אחסון SSD (מינימום 256GB, מומלץ 512GB)	מגוון	לא ישים	אחסון לעיבוד סל נתונים
TensorFlow	גוגל	לא ישים	מסגרת למידה עמוקה