딥러닝 알고리즘은 MRI에서 U-Net을 사용하여 뇌종양 분류 및 분할을 수행하기 위해 활용되었습니다. InceptionV3, DenseNet201 및 Inception-ResNet-v2는 종양 유형 및 등급 예측에 대해 탁월한 정확도로 수행되었습니다. GPT-4.0은 자동 의료 보고서 생성 및 진단 지원을 위한 증강 하이브리드 모델입니다.
이 콘텐츠를 보려면 JoVE 구독이 필요합니다. 로그인하거나 오늘 무료 평가판을 시작하세요.
딥러닝 알고리즘은 MRI에서 U-Net을 사용하여 뇌종양 분류 및 분할을 수행하기 위해 활용되었습니다. InceptionV3, DenseNet201 및 Inception-ResNet-v2는 종양 유형 및 등급 예측에 대해 탁월한 정확도로 수행되었습니다. GPT-4.0은 자동 의료 보고서 생성 및 진단 지원을 위한 증강 하이브리드 모델입니다.
뇌종양의 조기 진단은 환자의 예후 및 치료 선택을 최적화하는 데 매우 중요합니다. 뇌종양의 정확한 세분화와 분류는 전문적인 치료 기술을 만드는 데 필수적입니다. 뇌 진단을 위한 MRI 활용도가 증가하고 컴퓨터 비전 기술도 향상됨에 따라 MRI 스캔을 기반으로 종양을 식별하고 분류하는 훌륭하고 효과적인 모델을 갖는 것은 여전히 어려운 과제로 남아 있습니다. 이 문제를 해결하기 위해 저자는 다양한 데이터 세트에서 뇌종양을 분할하고 분류하는 딥 러닝 기반 기술을 제안했습니다. 이미지 전처리는 모델 성능을 향상시키기 위해 9가지 증강 방법을 사용했습니다. MRI의 분할은 U-Net 모델을 사용하여 수행되었습니다.
InceptionV3 및 DenseNet201을 기반으로 개발된 분류 모델은 종양의 존재를 예측하고 신경아교종, 수막종 및 뇌하수체로 분류합니다. 99.15%의 정확도로 InceptionV3는 종양 분류에서 DenseNet201의 98.75%보다 높습니다. 추가 종양 분류는 Inception-ResNet-v2를 기반으로 HGG 및 LGG로 클러스터링하여 수행되었습니다. 종양 등급(1-4)은 Inception-ResNet-v2에 의해 96.64%의 정확도로 식별됩니다. 자율 시스템은 하이브리드 모델을 GPT-4.0과 통합하여 보고서를 생성합니다. 따라서 이 새로운 프레임워크는 MRI 스캔에서 캡처한 입력 이미지를 활용하여 뇌종양을 자동으로 식별하고 분리하는 데 사용될 때 클리닉에 매우 적합할 수 있습니다.
뇌종양은 환자와 가족의 삶의 질을 크게 손상시킬 수 있으며 미국에서 매년 치료되는 암 100건 중 1건을 차지할 수 있습니다 1,2,3. 신경아교종은 미국 사람들 사이에서 가장 흔한 원발성 뇌종양으로 발병률은 100,000명당 6.5명입니다. 그들은 성상세포, 희소돌기아교 세포 및 뇌의 뉴런에 영양을 공급하는 신경교 세포인 뇌실막 세포에서 발생합니다. 신경아교종은 종양의 영향을 받은 신경교세포와 유전적 프로필에 따라 다양한 유형으로 분류되며, 이는 이제 시간이 지남에 따라 종양이 겪을 수 있는 행동과 효과적일 가능성이 가장 높은 치료를 예측하는 데 유용할 수 있습니다 4,5,6. 신경아교종은 뇌의 기능을 무력화시킬 수 있으며 위치와 성장 속도에 따라 치명적일 수도 있습니다. 수막종은 모든 원발성 뇌종양의 15-20%를 형성합니다. 정상 선별검사에서 이들의 유병률은 일련의 수술에서 100명당 1명입니다.....
액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.
데이터 세트 설명 및 탐색적 분석
데이터 세트는 모델의 신뢰성과 정확성을 향상시키기 위해 여러 소스로 구성됩니다. Merged_dataset에는 데이터 세트 A(3,054개), 데이터 세트 B(3,264개), 데이터 세트 C(10,000개) 및 데이터 세트 D(4,292개)의 20,620개 이미지가 포함되어 있습니다. 또한 신경아교종 종양 등급(HGG, LGG)에 대해 Brad 데이터 세트의 1,425개 이미지가 추가되었습니다. 이 다양한 데이터 세트는 더 나은 일반화를 보장하고 편향을 줄이며 모델 성능을 향상시킵니다. 대규모 데이터 세트는 포괄적인 평가를 가능하게 하므로 분류 작업의 실제 적용에서 올바른 예측을 얻을 확률이 더 높습니다.
이 조사에는 두 개의 서로 다른 데이터 세트가 사용되었습니다. 2005년에서 2010년 사이에 첫 번째는 중국의 톈징 의과대학 난팡 병원과 종합 병원에서 인수되었습니다. 종양이 있는 233명의 개인과 신경아교종 등급 II 및 III의 T1 강조 조영 증강 이미지가 컬렉션에 포함되어 있습니다. 데이터 세트는 종양 범주의 매우 포괄적인 분포와 일반 데이터 분석을 제공합니다. 고급 신경아교종(HGG)의 경우 1,050개의 이미지를 사용할 수 있고 저등급 신경아교종(LGG)의 경....
액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.
훈련 환경은 Kaggle의 NVIDIA Tesla T4 GPU를 활용하여 효율적인 모델 훈련을 촉진합니다. 중요한 라이브러리는 강력한 딥 러닝 파이프라인을 촉진하는 TensorFlow, PyTorch, Keras, NumPy 및 Pinecone입니다. DenseNet201, InceptionV3 및 Inception-ResNet-v2는 의료 영상에서 입증된 효능 때문에 선택되었습니다. 이러한 설계는 심층 특징 추출, 강력한 그래디언트 흐름 및 하이브리드 강점을 제공하여 우수한 컨볼루션 및 잔차 학습 기능을 활용하여 정확도를 높이고 과적합을 최소화하며 뇌종양 감지에서 모델 일반화를 개선합니다. DenseNet201에서 각 레이어는 이전 레이어로부터 입력을 수신하여 사라지 그래디언트 문제를 줄이고 기능 재사용을 가능하게 합니다. 201개의 레이어가 있으며 일련의 조밀한 블록을 사용하며 각 블록에는 수많은 컨볼루션 레이어가 포함됩니다. 이 모델은 훈련의 효율성과 기존의 컨볼루션 네트워크에 비해 더 적은 매개변수로 뛰어난 정밀도를 달성.......
액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.
뇌종양은 매우 위험하고 치명적일 수 있으므로 뇌종양의 조기 진단은 개인의 생명을 구하는 데 필수적일 수 있습니다. 현재 종양 진단은 방사선 전문의의 수동 해석에 의존하고 있으며, 이로 인해 초기 단계에서 악성 종양을 발견하는 데 지연과 인적 오류가 발생할 수 있습니다. 따라서 본 논문에서는 특히 다양한 모양, 크기 및 질감을 다룰 때 종양을 정확하게 감지, 위치 파악 및 분류할 수 있는 다중 분류 뇌종양 진단 모델을 소개합니다. 의료 영상에 대한 하이브리드 방법과 고급 딥 러닝 모델을 결합하여 정확도를 높이고 다중 분류를 수행합니다. 뇌 MRI는 신경아교종, 수막종, 뇌하수체의 세 그룹으로 분류됩니다. 원점에서 촬영한 입력 이미지에서 뇌 MRI를 분할할 수 있는 정확하고 자동화된 분할 모델을 적용합니다. 종양은 다양한 위치에 존재할 수 있고 다양한 모양과 구조를 가질 수 있기 때문에 종양의 분할을 자동화하기가 어렵습니다. 종양 절편 분할 모델은 U-Net 아키텍처를 기.......
액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.
저자는 선언할 이해 상충이 없습니다.
없음
저자 기여:
개념화, AK; 데이터 큐레이션, AK; 형식 분석, AK, MU 및 DG; 조사, AK; 방법론, AK; 감독, M.U. 및 D.G.; 검증, AK, MU 및 DG; 시각화, AK 및 MU; 작성 원본 초안, AK 및 MU; 글쓰기-검토 및 편집, A.K., M.U. 및 D.G.
액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.
| 이름 | 회사 | 카탈로그 번호 | 댓글 |
|---|---|---|---|
| 빠른 텍스트 | 페이스북 AI | 해당 사항 없음 | 단어 표현 및 분류 |
| 구글 코랩 | 구글 | 해당 사항 없음 | 클라우드 기반 Jupyter Notebook 환경 |
| 구글 코랩 GPU/TPU | 구글 | 해당 사항 없음 | 클라우드 기반 하드웨어 가속 |
| Intel Core i5/i7 또는 AMD Ryzen 5/7 | 인텔 / AMD | 해당 사항 없음 | 로컬 실행을 위한 프로세서(필요한 경우) |
| 매트로립 | 오픈 소스 | 해당 사항 없음 | 데이터 시각화 라이브러리 |
| NLTK | 오픈 소스 | 해당 사항 없음 | 텍스트 처리를 위한 자연어 툴킷 |
| 넘파이 | 오픈 소스 | 해당 사항 없음 | 수치 컴퓨팅 라이브러리 |
| NVIDIA GTX 1650 이상(옵션) | 엔비디아 | 해당 사항 없음 | 딥 러닝 작업을 위한 GPU |
| 팬더 | 오픈 소스 | 해당 사항 없음 | 데이터 조작 라이브러리 |
| 파이썬 | 파이썬 소프트웨어 재단 | 해당 사항 없음 | ML 및 NLP용 프로그래밍 언어 |
| 파이토치 | 메타 AI | 해당 사항 없음 | 딥 러닝 프레임워크 |
| RAM(최소 8GB, 16GB 권장) | 다양한 | 해당 사항 없음 | ML 작업에 대한 메모리 요구 사항 |
| 시킷 학습 | 오픈 소스 | 해당 사항 없음 | 기계 학습 라이브러리 |
| 씨본 | 오픈 소스 | 해당 사항 없음 | 통계 데이터 시각화 |
| 스페이시 | 폭발 AI | 해당 사항 없음 | 산업 수준의 NLP 라이브러리 |
| SSD 스토리지(최소 256GB, 512GB 권장) | 다양한 | 해당 사항 없음 | 데이터 세트 처리를 위한 스토리지 |
| 텐서플로우 | 구글 | 해당 사항 없음 | 딥 러닝 프레임워크 |
액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.