Framework basato su reti neurali convoluzionali per la classificazione e la segmentazione dei tumori cerebrali mediante immagini di risonanza magnetica

Summary

Gli algoritmi di deep learning sono stati utilizzati nella risonanza magnetica per eseguire la classificazione e la segmentazione dei tumori cerebrali con U-Net. InceptionV3, DenseNet201 e Inception-ResNet-v2 sono stati eseguiti con un'eccellente precisione sulla previsione del tipo e del grado di tumore. Modelli ibridi aumentati GPT-4.0 per la generazione automatica di referti medici e l'assistenza diagnostica.

Abstract

La diagnosi precoce dei tumori cerebrali è fondamentale per l'ottimizzazione della prognosi e la selezione del trattamento del paziente. La segmentazione e la categorizzazione accurate dei tumori cerebrali sono essenziali per creare tecniche di trattamento specialistiche. Con l'aumento dell'utilizzo della risonanza magnetica per la diagnosi cerebrale e il miglioramento della tecnologia di visione artificiale, avere un modello valido ed efficace per identificare e classificare i tumori in base alle scansioni MRI rimane una sfida. Per affrontare questo problema, gli autori hanno suggerito una tecnica basata sul deep learning per segmentare e classificare i tumori cerebrali da diversi set di dati. La pre-elaborazione delle immagini ha impiegato nove metodi di aumento per migliorare le prestazioni del modello. La segmentazione della risonanza magnetica è stata effettuata utilizzando un modello U-Net.

Il modello di classificazione sviluppato basato su InceptionV3 e DenseNet201 prevede l'esistenza del tumore e lo classifica in glioma, meningioma e ipofisi. Con un'accuratezza del 99,15%, InceptionV3 è superiore al 98,75% di DenseNet201 nella classificazione dei tumori. Un'ulteriore classificazione dei tumori è stata eseguita mediante clustering come HGG e LGG sulla base di Inception-ResNet-v2. I gradi del tumore (1-4) sono identificati con un'accuratezza del 96,64% da Inception-ResNet-v2. Un sistema autonomo integra modelli ibridi con GPT-4.0 per generare report. Pertanto, questo nuovo quadro potrebbe essere adatto per le cliniche se utilizzato per identificare e separare automaticamente i tumori cerebrali utilizzando le immagini di input acquisite dalle scansioni MRI.

Introduction

I tumori cerebrali possono compromettere significativamente la qualità della vita dei pazienti e delle famiglie e rappresentano un caso su 100 tumori trattati ogni anno negli Stati Uniti ^1,2,3. Il glioma è il tumore cerebrale primario più diffuso tra le persone negli Stati Uniti, che ha un'incidenza di 6,5 per 100.000. Insorgono negli astrociti, negli oligodendrociti e nelle cellule ependimali, le cellule gliali che forniscono nutrimento ai neuroni del cervello. Il glioma è classificato in diversi tipi sulla base della cellula gliale interessata nel tumore e del suo profilo genetico, che ora può essere utile per anticipare il comportamento che il tumore può subire nel tempo e i trattamenti che hanno maggiori probabilità di essere efficaci ^4,5,6. Un glioma può disabilitare il funzionamento del cervello e persino essere letale in base alla sua posizione e al tasso di crescita. I meningiomi costituiscono il 15-20% di tutti i tumori cerebrali primari. La loro prevalenza nello screening normale è di uno ogni 100 individui in una serie operativa. Si presume che provengano dalla cellula del cappuccio aracnoideo. I meningiomi mostrano un ampio spettro di comportamenti, che vanno da benigni a estremamente aggressivi, in base alla loro posizione. Si presentano con molte varietà di sintomi, ma la maggior parte dei pazienti rimane asintomatica.

I sintomi e i segni associati sono principalmente causati dalla compressione delle strutture adiacenti e quindi possono anche presentarsi con sintomi come convulsioni motorie, compromissione sensoriale, disturbi del linguaggio, anosmia e molti altri. I tumori ipofisari sono le terze neoplasie intracraniche primarie più frequenti, dopo i gliomi e i meningiomi, rappresentando circa il 10% di tutte le neoplasie cerebrali primarie asportate. Possono verificarsi in molti modi a causa dell'ipersecrezione o dell'iposecrezione di ormoni ipofisari, della costrizione del gambo ipofisario o degli effetti sulle strutture circostanti, in particolare il chiasma ottico.

Rispetto alle scansioni TC cerebrali standard, le immagini MRI contengono un ampio intervallo di contrasto tissutale ^7,8,9. Lo sviluppo di un metodo di segmentazione automatica del tumore cerebrale regolare, quindi, sarebbe della massima importanza nella diagnosi e nel trattamento corretto di questi pazienti. Pertanto, lo sviluppo di una tecnica automatica affidabile per la segmentazione del tumore cerebrale sarebbe di estrema importanza nella diagnosi e nel trattamento corretto di questi pazienti. Questi metodi intelligenti aiuterebbero i neurochirurghi e i radiologi a valutare meglio il volume, la forma del tumore e a definire il confine tra il tumore e i tessuti normali adiacenti in modo più accurato.

L'apprendimento automatico potrebbe essere utile per determinare il tipo e la presenza di tumori cerebrali, ma richiede un maggiore intervento umano poiché i suoi modelli sono predittivi. I modelli di deep learning, al contrario, potrebbero apprendere e rilevare le caratteristiche grazie alle reti neurali, che sarebbero il punto cruciale di un intero processo di rilevamento completamente automatizzato. Molti metodi di Machine Learning (ML) sono stati sviluppati per i radiologi in modo che possano avere visioni insolite durante il riconoscimento e la classificazione delle immagini RM. Il metodo più efficace tra un intero segmento di modalità per la rilevazione del cancro è l'imaging medico. Queste metodologie sono utili per identificare e rilevare le neoplasie maligne. Questa metodologia è fondamentale perché non ha la natura invasiva associata ad altre pratiche mediche. Le procedure non sono invasive 10,11,12. La novità di questo lavoro è che offre un framework unico basato su DL per la categorizzazione e la classificazione multiclasse automatica, accurata ed efficiente dei tumori cerebrali utilizzando immagini MRI, che riduce la necessità di interpretazione manuale.

Gli autori hanno proposto modelli di classificazione dei tumori cerebrali utilizzando approcci di estrazione delle caratteristiche nLBP e LBP. I modelli hanno caratterizzato con precisione i tipi più comuni di tumori cerebrali. L'accuratezza massima del 95,56% è stata ottenuta utilizzando uno schema di estrazione delle caratteristiche nLBPD = 1 con il modello KNN¹¹. Gli autori hanno esaminato l'implementazione clinica del Deep Learning (DL) in radiografia e documentato le operazioni coinvolte in questo dominio¹³. Hanno sottolineato le implicazioni cliniche della DL in diversi campi clinici. La DL ha dimostrato risultati soddisfacenti in alcune implementazioni radiologiche, ma la tecnologia è immatura e non può sostituire la professione diagnostica di un radiologo¹⁴. La combinazione di algoritmi DL con radiologi migliora l'efficacia e l'efficienza diagnostica. La risonanza magnetica è stata valutata in numerose indagini per la sua possibile applicazione nella classificazione dei tumori cerebrali attraverso vari disegni di ricerca.

Afshar et al. hanno suggerito un'architettura CapsNet migliorata per la classificazione dei principali tumori cerebrali con 3.064 immagini con regioni di input ausiliarie di interesse attraverso l'applicazione di bordi tumorali per investire uno sforzo maggiore e migliorare altri metodi con una precisione del 90,89%¹⁵. Gumaei et al. hanno suggerito un metodo ibrido basato sull'estrazione di caratteristiche per la classificazione dei tumori cerebrali utilizzando RELM. Gli autori hanno normalizzato l'immagine cerebrale utilizzando la normalizzazione min-max e hanno utilizzato RELM per la classificazione per ottenere un'accuratezza del 94,23%¹⁶. Rezaei et al. ha proposto uno schema integrato che utilizza la segmentazione e la classificazione dei tumori cerebrali mediante risonanza magnetica. I passaggi utilizzati sono stati la rimozione del rumore, la segmentazione tramite Support Vector Machine (SVM), l'estrazione delle funzionalità e la selezione delle funzionalità tramite l'utilizzo di DE. Le fette del tumore sono state classificate utilizzando i classificatori WSVM, KNN e HIK-SVM. I classificatori, con metodi di ensemble basati su MODE, hanno raggiunto un'accuratezza del 92,46%¹⁷. Fouad et al. hanno proposto una classificazione di un tumore cerebrale attraverso i descrittori delle caratteristiche HDWT-HOG e WOA per le caratteristiche riducenti. Il metodo utilizzava metodi d'insieme con Bagging. Con il Bagging è stata raggiunta una precisione media del 96,4% e con il Boosting il valore raggiunto è del 95,8%¹⁸.

Ayadi et al. hanno introdotto il processo di classificazione dei tumori cerebrali utilizzando tecniche come la normalizzazione e le caratteristiche robuste accelerate dense con istogramma a gradiente, aumentando la ricerca di immagini di qualità e lo sviluppo di caratteristiche discriminanti risultanti. È stato utilizzato il classificatore SVM e la rispettiva accuratezza ha raggiunto un livello elevato fino al 90,27% con il set di dati di valutazione¹⁹. Srujan et al. hanno presentato un'architettura DL di rete neurale convoluzionale (CNN) a sedici strati che combina funzioni di attivazione come ReLU e Adam optimizer per ottenere un'accuratezza di classificazione del 95,36%²⁰. Tejaswini et al. hanno progettato un modello CNN per la diagnosi di meningioma, glioma e tumori cerebrali ipofisari, che ha raggiunto un'accuratezza di convalida dell'87,16% e un'accuratezza dell'addestramento del 92,79%. L'area tumorale è stata anche segmentata dalla soglia di Otsu, dai cmeans fuzzy e dalle tecniche di spartiacque²¹. Huang et al. hanno presentato CNN-BCN per la classificazione del cancro al cervello. L'architettura di rete è stata progettata utilizzando il metodo del grafo casuale e ha raggiunto un'accuratezza target fino al 95,49%²². Ghassemi et al. hanno progettato un modello DL per la classificazione delle immagini dei tumori cerebrali²³. Potenti funzionalità e modelli di apprendimento sono stati ottenuti dalle immagini RM utilizzando reti pre-addestrate come discriminatori GAN. Sulla base di una convalida incrociata quintuplicata, l'approccio ha raggiunto un'accuratezza del 95,6% sostituendo tecniche come l'aumento dei dati e l'abbandono dei dati per i livelli completamente connessi. Deepak et al. hanno combinato SVM con CNN per classificare le immagini del tumore cerebrale. Dopo il test con un protocollo di convalida incrociata quintuplica, il sistema automatizzato ha raggiunto un'accuratezza del 95,82%, superiore ad altre tecniche²⁴. Noreen et al. hanno impiegato le reti pre-addestrate e messe a punto come Xception e InceptionV3 per l'identificazione del cancro al cervello. Questi modelli hanno impiegato un'ampia gamma di tecniche di apprendimento automatico come RF, SVM e KNN per ottenere una precisione del 94,34% con un insieme di InceptionV3²⁵.

Shaik et al. hanno classificato i tumori cerebrali nell'elaborazione delle immagini mediche e hanno presentato un approccio di Manet che dà priorità ai tumori combinando lo spazio e l'attenzione cross-channel, mantenendo i collegamenti temporali tra i canali. Nel compito di classificazione del tumore cerebrale primario, l'approccio ha raggiunto un'accuratezza del 96,51%²⁶. Ahmad et al. hanno creato una profonda rete neurale generativa per classificare i tumori cerebrali. La tecnologia ha utilizzato VAE e GAN per ottenere un'accuratezza del 96,25% sulle immagini RM del tumore cerebrale^27,28. Un modello DL è stato presentato da Alanazi et al. per identificare i sottotipi di tumore cerebrale. La tecnica prevedeva la creazione di più modelli CNN e l'applicazione del transfer learning per mettere a punto i pesi di un modello CNN a 22 strati. Il modello ha raggiunto un'accuratezza dell'immagine MRI del 95,75% e del 96,89%, rispettivamente^{del 29,30}%. Almalki et al. hanno applicato una tecnica ML alla risonanza magnetica per analizzare rapidamente la gravità di quattro tipi di tumori cerebrali. La suddivisione delle risonanze magnetiche in immagini da 8 x 8 pixel ha permesso loro di estrarre le caratteristiche della scala gaussiana e non lineare, nonché piccoli dettagli. Le caratteristiche importanti sono state identificate, suddivise in 400 caratteristiche di scala non lineare e fuse con ciascuna immagine RM. Hanno utilizzato il classificatore SVM e hanno raggiunto un'accuratezza del 95,33%^31,32. Tre modelli CNN sono stati confrontati da Kumar et al., vale a dire InceptionV3, AlexNet e ResNet50, per la classificazione del tumore primario, e hanno utilizzato metodi di aumento dei dati. AlexNet ha battuto gli altri in termini di specificità e precisione, ottenendo un punteggio del 96,2%³³.

Ullah et al. approfondiscono i modelli di apprendimento più approfonditi per la diagnosi del tumore cerebrale. DeepEBTDNet migliora la qualità della risonanza magnetica applicando DSIHE e garantendo l'interpretabilità tramite LIME^34,35. TumorResNet con 20 strati convoluzionali, che viene utilizzato per ottenere un'accuratezza di classificazione del 99,33%, presenta un metodo coerente e automatizzato per la diagnosi precoce del tumore cerebrale e la pianificazione del trattamento³⁶. Kumar et al. hanno presentato diverse architetture DL avanzate per la classificazione e il rilevamento dei tumori cerebrali. Il modello PBTC combina la pre-elaborazione MRI, la segmentazione ACLS e HRNN-BiLSTM ottimizzato per OHBO per ottenere un'accuratezza del 97,8%³⁷. Una CNN a due canali con Berkeley Wavelet Transform e Enhanced Serval Optimization raggiunge un'accuratezza del 98,8% per quattro tipi^{di tumori}. Disci et al. utilizzano i dati della risonanza magnetica per valutare i modelli DL pre-addestrati per classificare i tumori cerebrali e raggiungono un'accuratezza del 98,73% con Xception³⁹.

Protocol

Descrizione del dataset e analisi esplorativa
Il set di dati è costituito da più fonti per migliorare l'affidabilità e l'accuratezza del modello. Merged_dataset contiene 20.620 immagini dal set di dati A (3.054), dal set di dati B (3.264), dal set di dati C (10.000) e dal set di dati D (4.292). Inoltre, sono state aggiunte 1.425 immagini dal set di dati Brad per i gradi di tumore del glioma (HGG, LGG). Questo set di dati diversificato garantirà una migliore generalizzazione, ridurrà le distorsioni e migliorerà le prestazioni del modello. L'ampio set di dati consente valutazioni complete e, quindi, c'è una maggiore probabilità di ottenere le previsioni corrette nelle applicazioni reali delle attività di classificazione.

In questa indagine sono stati utilizzati due set di dati distinti. Tra il 2005 e il 2010, il primo è stato acquisito dal Nanfang Hospital and General Hospital della Tianjing Medical University in Cina. Nella collezione sono incluse immagini con contrasto pesate in T1 di 233 individui con tumori, nonché glioma di grado II e III. Il set di dati offre una distribuzione molto completa delle categorie tumorali e un'analisi generale dei dati. Per il glioma di alto grado (HGG) sono disponibili 1.050 immagini e per il glioma di basso grado (LGG) ci sono 375 immagini, il che significa che c'è più attenzione ai casi più gravi (HGG).

La Figura 1 mostra le scansioni MRI classificate in tre tipi di tumore cerebrale. Ogni riga è un tipo di tumore e ci sono tre immagini di esempio per ogni categoria. Le scansioni hanno caratteristiche diverse in vari orientamenti e visualizzazioni, tra cui assiale, sagittale e coronale. I campioni di glioma hanno strutture irregolari che si infiltrano nei tessuti cerebrali. I campioni di meningioma appaiono come masse localizzate vicino alla superficie del cervello e i campioni di tumore ipofisario si trovano vicino al centro del cervello. Questi esempi presentano variabilità nell'aspetto del tumore, aiutando così ad addestrare i modelli ML per il rilevamento accurato e la classificazione dei tumori nell'analisi delle immagini mediche.

Figura 1: Scansioni MRI dei tumori. Scansioni MRI di meningioma, glioma e tumori ipofisari in viste assiali, sagittali e coronali, evidenziando caratteristiche di imaging distinte. Clicca qui per visualizzare una versione più grande di questa figura.

Il glioma ha il maggior numero di immagini, che è poco sopra le 6.000. Meningioma ha circa 6.000 immagini, mentre Pituitary ha quasi lo stesso numero di immagini di Meningioma. Sembra esserci una divisione quasi uguale tra le tre categorie, il che significa che ciascuno dei tipi di tumore è rappresentato bene per l'allenamento o qualsiasi analisi. Il glioma ha la dimensione media del file più grande, sebbene il meningioma abbia un intervallo più limitato e più valori anomali. La moderata varianza dell'ipofisi contiene alcuni valori anomali apparenti. Ogni categoria contiene file di dimensioni davvero enormi.

La Figura 2 mostra la PCA delle caratteristiche dell'immagine per i tre tipi di tumore. La componente principale 1 cattura la maggior parte della varianza e separa significativamente l'ipofisi (cluster destro) dagli altri. Gliomi e meningiomi si sovrappongono in basso a sinistra, indicando che le loro rappresentazioni delle caratteristiche sono comparabili e che la loro separabilità è diminuita.

Figura 2: PCA delle caratteristiche dell'immagine. Analisi delle componenti principali delle caratteristiche estratte che differenziano le classi di glioma, meningioma e tumore ipofisario. Clicca qui per visualizzare una versione più grande di questa figura.

La mappa termica di correlazione mostrata nella Figura 3 illustra le relazioni tra gli attributi dei metadati dell'immagine: File_Size, altezza e larghezza. File_Size mostra una correlazione molto bassa sia con l'altezza (-0,01) che con la larghezza (0,0039).

Figura 3: Mappa termica di correlazione dei metadati. Mappa termica che mostra le relazioni tra gli attributi dei metadati dell'immagine, come la dimensione, l'altezza e la larghezza del file. Clicca qui per visualizzare una versione più grande di questa figura.

Anche l'altezza e la larghezza mostrano una correlazione positiva molto bassa, pari a 0,0039. I valori diagonali sono 1, ad indicare la perfetta correlazione di ogni variabile con se stessa. In generale, gli attributi sono per lo più non correlati, il che significa variazioni indipendenti tra le dimensioni del file, l'altezza e la larghezza dell'immagine.

Metodologia e architettura proposta
Nella Figura 4 è rappresentato un flusso di lavoro che rileva, classifica e analizza sistematicamente i tumori cerebrali sulla base dei dati della risonanza magnetica. La metodologia include tecniche avanzate di preelaborazione, segmentazione e DL per ottenere una solida previsione e classificazione dei tumori.

Figura 4: Flusso di lavoro della metodologia proposta. Flusso di lavoro graduale per il rilevamento, la classificazione e l'analisi dei tumori utilizzando i dati MRI. Clicca qui per visualizzare una versione più grande di questa figura.

Il processo inizia con l'integrazione di una serie di set di dati (indicati come A, B, C e D). Quindi, i set di dati vengono combinati in un unico set di dati completo per ottenere dati olistici. Coinvolge anche il set di dati Brad per scopi di segmentazione, clustering e classificazione delle immagini. Il set di dati unito comporta l'aggiunta di tutte le immagini in ciascun set di dati e directory combinate, garantendo un set di dati completo e unificato per ulteriori analisi e sviluppo di modelli di classificazione multipla.

In secondo luogo, la pre-elaborazione è completata, il che rappresenta un passo importante per migliorare la qualità e la variabilità dei dati. Nove processi di aumento vengono applicati alle immagini MRI originali per migliorare le prestazioni del modello e la varietà dei set di dati. Il ridimensionamento delle immagini a una dimensione comune le armonizza e la conversione da RGB a scala di grigi semplifica l'elaborazione. Il capovolgimento orizzontale/verticale migliora la robustezza e la rotazione con lo zoom imita le diverse condizioni di imaging. L'uso del filtro Sobel migliora l'acutezza delle funzioni e l'aggiunta di rumore migliora la variabilità. La mascheratura di contrasto migliora l'acutezza dell'immagine e lo spostamento dell'altezza e della larghezza aggiunge variazioni di posizione. Ognuno di essi, se combinato, migliora la generalizzabilità e l'accuratezza della classificazione del modello. Tutto ciò garantisce che il modello si generalizzi su un ampio spettro di situazioni di imaging. C'è un totale di 20.620 immagini MRI e la post-elaborazione totale delle immagini utilizzate per lo sviluppo del modello produce 185.580 immagini.

Quindi, il set di dati unito viene segmentato utilizzando il modello U-Net, che è molto utilizzato nell'imaging medico. L'architettura è messa a punto e addestrata per identificare le regioni tumorali dalle scansioni MRI. Questo passaggio produce immagini mascherate, che evidenziano il tumore ed eliminano i dettagli irrilevanti. La segmentazione delle immagini garantisce un migliore input di dati per la classificazione e l'analisi.

Nella fase successiva, questi modelli vengono ottimizzati per classificare le immagini in classi diverse, sfruttando l'apprendimento di trasferimento per migliorare la precisione e ridurre i tempi di addestramento. Per la classificazione, vengono utilizzati una serie di modelli di deep learning pre-addestrati, ognuno con vantaggi speciali. Grazie alla sua facilità d'uso e all'efficienza nella categorizzazione delle immagini, VGG16 e VGG19 sono utilizzati frequentemente. Con un'efficienza computazionale ottimale, EfficientNetB0 e EfficientNetB7 offrono prestazioni all'avanguardia. L'architettura più profonda di ResNet101 migliora l'accuratezza della classificazione acquisendo in modo efficace modelli complessi. Successivamente, una diagnosi accurata è assicurata dalla classificazione dei dati MRI da parte degli algoritmi addestrati in quattro classificazioni di tumori. Le cellule gliali sono la fonte dei tumori del glioma, che compromettono la funzione cerebrale. I tumori del meningioma si sviluppano nelle meningi, che sono strati protettivi del cervello e del midollo spinale. La ghiandola pituitaria è la sede dei tumori ipofisari, che influenzano l'equilibrio ormonale e i processi fisiologici.

Quindi, per aiutare con una diagnosi accurata, vengono utilizzate tecniche di clustering come K-Nearest Neighbors (KNN) per prevedere i gradi del tumore. I gradi tre e quattro del glioma di alto grado (HGG) denotano un grave sviluppo del tumore. I gradi 1 e 2 del glioma di basso grado (LGG) sono rispettivamente tumori a crescita più lenta e meno aggressivi. Questo grading è essenziale per stabilire l'aggressività del tumore e, quindi, dirigere la gestione clinica.

Infine, per valutare l'efficacia dei modelli di categorizzazione, questi vengono confrontati secondo criteri importanti. I loro effetti vengono valutati per accertare se le strategie di aumento e segmentazione hanno migliorato le prestazioni del modello. Per garantire affidabilità ed efficacia, le prestazioni vengono esaminate anche su una varietà di set di dati e l'accuratezza della classificazione viene confrontata con i modelli più avanzati.

Il flusso di lavoro integra la preparazione, la preelaborazione, la segmentazione, la classificazione e la classificazione dei dati in un framework coerente. Migliora l'accuratezza del rilevamento e della classificazione dei tumori cerebrali attraverso l'applicazione di metodi DL all'avanguardia e una rigorosa preelaborazione. L'inclusione del grading tumorale supporta ulteriormente il processo decisionale clinico, rendendolo un sistema completo per l'analisi dei tumori.

Figura 5: Framework di deep learning. Proposta di un quadro di classificazione dei tumori cerebrali utilizzando modelli di deep learning. Clicca qui per visualizzare una versione più grande di questa figura.

La Figura 5 è un'architettura in relazione a un sistema di classificazione delle immagini mediche che identifica i tumori cerebrali con l'aiuto di tecniche computazionali avanzate come il deep learning. Inizia con una raccolta di immagini MRI che viene classificata. Pertanto, questa sarà la spina dorsale del processo di classificazione. Quindi, i dati di input entrano in un modulo di pre-elaborazione dati in cui vengono intraprese la normalizzazione, o il ridimensionamento e l'aumento dell'immagine, nonché la rimozione del rumore. La pre-elaborazione standardizza le immagini di input per sfruttare al meglio le fasi di addestramento del modello. L'intero passaggio consiste nel prepararsi a sottoporsi alle successive fasi ad alta intensità di calcolo. Dopo la fase di pre-elaborazione, i dati vengono inviati al modulo di estrazione delle funzionalità. Qui, l'uso di tecniche o modelli computazionali, forse modelli DL come le CNN, può essere fatto per identificare le caratteristiche nelle immagini. Le caratteristiche che vengono estratte potrebbero includere modelli indicativi di anomalie o caratteristiche del tumore. Quindi, questo set di funzionalità viene inserito nel modello di classificazione. Dato che questo sarebbe probabilmente finalizzato a distinguere diverse classi, che includono l'esistenza o l'inesistenza di un tumore e il tipo di tumore, il modello si basa su un'architettura piuttosto complessa, probabilmente di Inception-ResNet-v2, tra gli altri, per previsioni accurate. Determina se esiste o meno un tumore nell'immagine cerebrale scansionata. Questa fase di classificazione è in "Tumore" e "No Tumor". Quando viene trovato un tumore, il sistema classifica il tipo di tumore come glioma, meningioma o ipofisi. Ognuno di questi tipi ha caratteristiche che il modello riconosce utilizzando le funzionalità estratte. Per i tumori identificati, viene quindi determinato il grado del tumore. I gradi vanno da 1 a 4, indicando la gravità e la progressione del tumore. Il grado 1 è il meno aggressivo, mentre il grado 4 è il più grave. Questa classificazione aiuta nella diagnosi medica e nella pianificazione del trattamento. Gli output finali includono l'assenza o la presenza di tumore e il suo tipo e grado. Tale output è molto prezioso per le applicazioni cliniche per il processo decisionale nella cura e nel trattamento dei pazienti.

Il processo rappresenta una pipeline integrata per l'analisi delle immagini mediche e la classificazione dei tipi di tumore. Partendo dai dati grezzi, si procede in successione attraverso i dati preparatori, l'estrazione delle caratteristiche e la classificazione. Il sistema determina se ha effettivamente un tumore, ne specifica il tipo e fornisce la gravità o il grado. Questa pipeline, utilizzando forme di calcolo più complesse, semplifica la diagnosi nell'imaging medico in modo che le valutazioni possano essere più rapide e accurate nei tumori cerebrali. Un flusso di lavoro modulare garantisce flessibilità, in cui i componenti possono essere ottimizzati separatamente per migliorare le prestazioni.

Results

L'ambiente di addestramento sfrutta la GPU NVIDIA Tesla T4 di Kaggle, facilitando l'addestramento efficiente dei modelli. Le librerie importanti sono TensorFlow, PyTorch, Keras, NumPy e Pinecone, che facilitano forti pipeline di deep learning. DenseNet201, InceptionV3 e Inception-ResNet-v2 sono stati scelti per la loro dimostrata efficacia nell'imaging medico. Questi progetti forniscono un'estrazione profonda delle caratteristiche, un robusto flusso a gradiente e punti di forza ibridi, che migliorano la precisione, riduc...

Discussion

La diagnosi precoce dei tumori cerebrali può essere essenziale per salvare la vita di un individuo, poiché i tumori cerebrali possono essere altamente pericolosi e fatali. Attualmente, la diagnostica dei tumori si basa sull'interpretazione manuale dei radiologi, che può causare ritardi ed errori umani nel rilevamento dei tumori maligni nelle fasi iniziali. Pertanto, questo documento introduce un modello di diagnosi del tumore cerebrale multi-classificazione in grado di rilevare, localizz...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Testo veloce	Intelligenza artificiale di Facebook	N/A	Rappresentazione e classificazione delle parole
Google Colab	Alessio	N/A	Ambiente Jupyter Notebook basato su cloud
Google Colab GPU/TPU	Alessio	N/A	Accelerazione hardware basata su cloud
Intel Core i5/i7 o AMD Ryzen 5/7	Intel / AMD	N/A	Processore per l'esecuzione locale (se necessario)
Matplotlib	Sorgente aperto	N/A	Libreria di visualizzazione dei dati
NLTK	Sorgente aperto	N/A	Natural Language Toolkit per l'elaborazione del testo
NumPy	Sorgente aperto	N/A	Libreria di calcolo numerico
NVIDIA GTX 1650 o superiore (opzionale)	NVIDIA	N/A	GPU per attività di deep learning
Panda	Sorgente aperto	N/A	Libreria di manipolazione dei dati
Pitone	Fondazione del software Python	N/A	Linguaggio di programmazione per ML e NLP
PyTorch	Meta AI	N/A	Framework di apprendimento profondo
RAM (minimo 8 GB, consigliati 16 GB)	Diverso	N/A	Requisito di memoria per le attività di Machine Learning
Scikit-learn	Sorgente aperto	N/A	Libreria di Machine Learning
Nato in mare	Sorgente aperto	N/A	Visualizzazione statistica dei dati
Spacy	Esplosione AI	N/A	Libreria NLP di livello industriale
Archiviazione SSD (minimo 256 GB, consigliati 512 GB)	Diverso	N/A	Archiviazione per l'elaborazione di set di dati
Flusso di Tensore	Alessio	N/A	Framework di apprendimento profondo