자기공명영상을 이용한 뇌종양 분류 및 분할을 위한 컨볼루션 신경망 기반 프레임워크

Summary

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.

Abstract

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.

Introduction

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. 그들은 지미막 캡 세포에서 유래한 것으로 추정됩니다. 수막종은 위치에 따라 양성부터 극도로 공격적인 것까지 광범위한 행동을 보입니다. 그들은 다양한 증상을 나타내지만 대부분의 환자는 무증상으로 남아 있습니다.

관련 증상 및 징후는 주로 인접 구조의 압박으로 인해 발생하므로 운동 발작, 감각 장애, 언어 장애, 후각 상실 등과 같은 증상을 나타낼 수도 있습니다. 뇌하수체 종양은 신경아교종과 수막종에 이어 세 번째로 흔한 원발성 두개내 신생물로, 절제된 모든 원발성 뇌 신생물의 약 10%를 차지합니다. 뇌하수체 호르몬의 과다 또는 저분비, 뇌하수체 줄기의 수축 또는 주변 구조, 특히 시신경교차에 대한 영향으로 인해 여러 가지 방식으로 발생할 수 있습니다.

표준 뇌 CT 스캔과 비교할 때 MRI 이미지에는 넓은 조직 대비 범위가 포함되어 있습니다 ^7,8,9. 따라서 정기적인 자동 뇌종양 분할 방법의 개발은 이러한 환자를 적절하게 진단하고 치료하는 데 가장 중요할 것입니다. 따라서 뇌종양 분할을 위한 신뢰할 수 있는 자동 기술의 개발은 이러한 환자를 적절하게 진단하고 치료하는 데 매우 중요할 것입니다. 이러한 지능적인 방법은 신경외과 의사와 방사선 전문의가 종양의 부피와 모양을 더 잘 평가하고 종양과 인접한 정상 조직 사이의 경계를 보다 정확하게 정의하는 데 도움이 될 것입니다.

기계 학습은 뇌종양의 유형과 존재를 결정하는 데 도움이 될 수 있지만 모델이 예측하기 때문에 더 많은 인간의 개입이 필요합니다. 반면 딥 러닝 모델은 완전히 자동화된 전체 감지 프로세스의 핵심이 될 신경망 덕분에 특징을 학습하고 감지할 수 있습니다. 방사선 전문의를 위해 많은 기계 학습(ML) 방법이 개발되어 MR 이미지를 인식하고 분류하는 동안 특이한 시력을 얻을 수 있습니다. 암 발견을 위한 전체 방식 중에서 가장 효과적인 방법은 의료 영상을 이용하는 것입니다. 이러한 방법론은 악성 신생물을 식별하고 감지하는 데 도움이 됩니다. 이 방법론은 다른 의료 행위와 관련된 침습적 특성을 갖지 않기 때문에 매우 중요합니다. 절차는 침습적이지 않습니다 10,11,12. 이 작업의 참신함은 MRI 영상을 사용하여 뇌종양의 자동적이고 정확하며 효율적인 다중 클래스 분류 및 등급을 매기기 위한 고유한 DL 기반 프레임워크를 제공하여 수동 해석의 필요성을 줄인다는 것입니다.

저자는 nLBP 및 LBP 특징 추출 접근법을 사용하여 뇌종양 분류 모델을 제안했습니다. 모델은 가장 흔한 유형의 뇌암을 정확하게 특성화했습니다. KNN 모델¹¹에서 특징 추출 체계 nLBPD = 1을 사용하여 95.56%의 최대 정확도를 달성했습니다. 저자는 방사선 촬영에서 딥 러닝(DL)의 임상 배치를 조사하고 이 영역 내에서 관련된 작업을 문서화했습니다¹³. 그들은 여러 임상 분야에서 DL의 임상적 의미를 강조했습니다. DL은 특정 방사선학적 구현에서 만족스러운 결과를 입증했지만 기술은 미성숙하여 방사선 전문의의 진단 직업을 대체할 수 없습니다¹⁴. DL 알고리즘을 방사선 전문의와 결합하면 진단 효과와 효율성이 향상됩니다. MRI는 다양한 연구 설계를 통해 뇌종양 분류에 적용할 수 있는 가능성에 대해 수많은 조사에서 평가되었습니다.

Afsharet al. 종양 경계를 적용하여 관심 있는 보조 입력 영역이 있는 3,064개의 이미지로 주요 뇌종양 분류를 위한 개선된 CapsNet 아키텍처를 제안하여 더 많은 노력을 투자하고 다른 방법을 90.89%¹⁵의 정확도로 개선했습니다. Gumaeiet al. RELM을 이용한 뇌종양 분류를 위한 하이브리드 특징 추출 기반 방법을 제안했다. 저자는 최소-최대 정규화를 사용하여 뇌 이미지를 정규화하고 분류에 RELM을 사용하여 94.23%¹⁶의 정확도를 달성했습니다. MRI를 이용한 분할 및 뇌종양 분류를 이용한 통합 체계는 Rezaei et al.에 의해 제안되었습니다. 사용된 단계는 노이즈 제거, SVM(Support Vector Machine)을 통한 분할, 기능 추출 및 DE를 사용한 기능 선택이었습니다. 종양의 절편은 WSVM, KNN 및 HIK-SVM 분류기를 사용하여 분류되었습니다. MODE를 기반으로 한 앙상블 방법을 사용한 분류기는 92.46%¹⁷의 정확도를 달성했습니다. Fouad et al. 특징 감소를 위해 HDWT-HOG 특징 설명자와 WOA를 통해 뇌종양을 분류하는 것을 제안했습니다. 이 방법은 Bagging과 함께 앙상블 방법을 사용했습니다. 배깅을 사용하면 평균 정확도 96.4%를 달성했으며 부스팅을 사용하면 95.8%¹⁸의 값을 달성했습니다.

Ayadiet al. 정규화 및 기울기 히스토그램을 사용한 조밀한 가속 강력한 특징과 같은 기술을 사용하여 뇌종양을 분류하는 프로세스를 도입하여 고품질 이미지 검색 및 그에 따른 판별 특징 개발을 촉진했습니다. SVM 분류기를 사용하였고, 평가 데이터셋¹⁹에서 각각의 정확도는 최대 90.27%의 높은 수준에 도달하였다. Srujan et al. ReLU 및 Adam 옵티마이저와 같은 활성화 함수를 결합하여 95.36%의 분류 정확도를 달성하는 16계층 CNN(Convolutional Neural Network) DL 아키텍처를 제시했습니다²⁰. Tejaswini et al. 수막종, 신경아교종, 뇌하수체 뇌암 진단을 위한 CNN 모델을 설계한 결과 검증 정확도 87.16%, 훈련 정확도 92.79%를 달성했습니다. 종양 영역은 또한 Otsu 임계값, 퍼지 cmeans 및 유역 기술에 의해 분할되었습니다²¹. Huanget al. 뇌암 분류를 위해 CNN-BCN을 제시했습니다. 네트워크 아키텍처는 랜덤 그래프 방식을 사용하여 설계되었으며 최대 95.49%²²의 목표 정확도를 달성했습니다. Ghassemiet al. 뇌종양 이미지 분류를 위한 DL 모델을 설계했습니다²³. 사전 훈련된 네트워크를 GAN 판별기로 활용하여 MR 이미지에서 강력한 특징과 학습 패턴을 얻었습니다. 5중 교차 검증을 기반으로 이 접근 방식은 완전히 연결된 레이어를 데이터 증강 및 드롭아웃과 같은 기술을 대체하여 95.6%의 정확도에 도달했습니다. Deepaket al. 뇌종양 이미지를 분류하기 위해 SVM과 CNN을 결합했습니다. 5중 교차 검증 프로토콜로 테스트한 결과 자동화 시스템은 다른 기술보다 우수한 95.82%의 정확도를 달성했습니다²⁴. Noreen et al. 뇌암 식별을 위해 Xception 및 InceptionV3와 같은 사전 훈련되고 미세 조정된 네트워크를 사용했습니다. 이 모델은 RF, SVM 및 KNN과 같은 광범위한 기계 학습 기술을 사용하여 InceptionV94.34 3 25의 앙상블로²⁵%의 정확도를 달성했습니다.

Shaiket al. 의료 영상 처리에서 뇌종양을 분류하고 채널 간의 시간적 연결을 유지하면서 공간과 교차 채널 주의를 결합하여 종양의 우선순위를 정하는 마네 접근 방식을 제시했습니다. 원발성 뇌종양 분류 작업에서 이 접근 방식은 96.51%의 정확도를 달성했습니다²⁶. Ahmadet al. 뇌종양을 분류하기 위한 심층 생성 신경망을 만들었습니다. 이 기술은 VAE와 GAN을 사용하여 뇌종양의 MR 이미지에서 96.25%의 정확도를 달성했습니다^27,28. DL 모델은 Alanazi et al. 뇌종양 아형을 식별하기 위해. 이 기술에는 여러 CNN 모델을 생성하고 전이 학습을 적용하여 22층 CNN 모델의 가중치를 미세 조정하는 것이 포함되었습니다. 이 모델은 각각 95.75%와 96.89%의 MRI 이미지 정확도를 달성했습니다. Almalki et al. MRI에 ML 기술을 적용하여 4가지 유형의 뇌종양의 중증도를 신속하게 분석했습니다. MRI를 8 x 8픽셀 이미지로 분해하면 가우스 및 비선형 스케일 특성과 미세한 세부 사항을 추출할 수 있었습니다. 중요한 특성을 식별하고 400개의 비선형 척도 기능으로 나누고 각 MR 이미지와 병합했습니다. 그들은 SVM 분류기를 사용하여 95.33%의 정확도를 달성했습니다^31,32. Kumar et al.은 원발성 종양의 분류를 위해 InceptionV3, AlexNet 및 ResNet50의 세 가지 CNN 모델을 비교하고 데이터 증강 방법을 사용했습니다. AlexNet은 특이성과 정확성 측면에서 96.2%³³의 점수를 획득하여 다른 회사를 능가했습니다.

Ullah et al. 뇌종양 진단을 위한 심층 학습 모델을 탐구합니다. DeepEBTDNet은 DSIHE를 적용하고 LIME^34,35를 통해 해석 가능성을 보장하여 MRI 품질을 향상시킵니다. 99.33%의 분류 정확도를 달성하는 데 사용되는 20개의 컨볼루션 레이어가 있는 TumorResNet은 조기 뇌종양 진단 및 치료 계획의 일관되고 자동화된 방법을 제시합니다³⁶. 뇌종양 분류 및 검출을 위해 Kumar et al. 여러 고급 DL 아키텍처를 제시했습니다. PBTC 모델은 MRI 전처리, ACLS 분할 및 OHBO에 최적화된 HRNN-BiLSTM을 결합하여 97.8%의 정확도를 달성합니다³⁷. Berkeley Wavelet Transform 및 Enhanced Serval Optimization을 갖춘 2채널 CNN은 4가지 유형의 종양에 대해 98.8%의 정확도에 도달합니다³⁸. Disciet al. MRI 데이터를 사용하여 뇌종양 분류를 위해 사전 훈련된 DL 모델을 평가하고 Xception³⁹로 98.73%의 정확도를 달성합니다.

Protocol

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 경우 375개의 이미지가 있어 더 심각한 사례(HGG)에 더 많은 관심을 기울입니다.

그림 1 은 세 가지 뇌종양 유형으로 분류된 MRI 스캔을 보여줍니다. 각 행은 한 가지 유형의 종양이며 각 범주에 대해 3개의 샘플 이미지가 있습니다. 스캔은 축, 시상 및 관상을 포함한 다양한 방향과 보기에서 서로 다른 특성을 가지고 있습니다. 신경아교종 샘플은 뇌 조직에 침투하는 불규칙한 구조를 가지고 있습니다. 수막종 샘플은 뇌 표면 근처에 국소 종괴로 나타나고 뇌하수체 종양 샘플은 뇌 중심 근처에 위치합니다. 이러한 예는 종양 모양의 가변성을 나타내므로 의료 영상 분석에서 종양을 정확하게 감지하고 분류하기 위해 ML 모델을 훈련하는 데 도움이 됩니다.

그림 1: 종양의 MRI 스캔. 수막종, 신경아교종 및 뇌하수체 종양의 축, 시상 및 관상 보기에서 MRI 스캔하여 뚜렷한 영상 특성을 강조합니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

신경아교종은 6,000개가 조금 넘는 가장 많은 이미지 수를 가지고 있습니다. 수막종에는 약 6,000개의 이미지가 있는 반면 뇌하수체에는 수막종과 거의 같은 수의 이미지가 있습니다. 세 가지 범주 사이에 거의 균등하게 분할된 것으로 보이며, 이는 각 종양 유형이 훈련이나 분석에 잘 표현된다는 것을 의미합니다. 신경교종은 파일 크기의 중앙값이 가장 크지만 수막종은 범위가 더 제한되어 있고 이상치가 더 많습니다. 뇌하수체의 중간 분산에는 몇 가지 명백한 이상치가 포함되어 있습니다. 각 범주에는 정말 큰 파일 크기가 포함되어 있습니다.

그림 2 는 세 가지 종양 유형에 대한 이미지 특징의 PCA를 보여줍니다. 주성분 1은 가장 많은 분산을 포착하고 뇌하수체(오른쪽 클러스터)를 다른 뇌하수체와 크게 분리합니다. 신경아교종과 수막종은 왼쪽에서 겹쳐져 있어 특징 표현이 비슷하고 분리 가능성이 감소했음을 나타냅니다.

그림 2: 이미지 특징의 PCA. 신경아교종, 수막종 및 뇌하수체 종양 등급을 구별하는 추출된 특징의 주성분 분석. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

그림 3에 표시된 상관 관계 히트맵은 이미지 메타데이터 속성(File_Size, 높이 및 너비) 간의 관계를 보여줍니다. File_Size 높이(-0.01) 및 너비(0.0039) 모두에서 매우 낮은 상관관계를 보여줍니다.

그림 3: 메타데이터의 상관 관계 히트맵. 파일 크기, 높이 및 너비와 같은 이미지 메타데이터 속성 간의 관계를 보여주는 히트맵입니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

높이와 너비도 0.0039의 매우 낮은 양의 상관관계를 나타냅니다. 대각선 값은 1이며 각 변수와 그 자체의 완벽한 상관 관계를 나타냅니다. 일반적으로 속성은 대부분 상관관계가 없으며, 이는 파일 크기, 이미지 높이 및 너비 간의 독립적인 변화를 의미합니다.

방법론 및 제안된 아키텍처
MRI 데이터를 기반으로 뇌종양을 체계적으로 검출, 분류 및 분석하는 워크플로우를 그림 4에 나와 있습니다. 이 방법론에는 강력한 종양 예측 및 분류를 달성하기 위한 고급 전처리, 분할 및 DL 기술이 포함됩니다.

그림 4: 제안된 방법론의 워크플로. MRI 데이터를 사용한 종양 검출, 분류 및 분석을 위한 단계적 워크플로우. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

이 프로세스는 여러 데이터 세트(A, B, C 및 D로 표시됨)를 통합하는 것으로 시작됩니다. 그런 다음 데이터 세트를 하나의 포괄적인 데이터 세트로 결합하여 전체적인 데이터를 얻습니다. 또한 이미지 분할, 클러스터링 및 분류 목적으로 Brad 데이터 세트도 포함됩니다. 병합된 데이터 세트에는 각 데이터 세트와 결합된 디렉토리의 모든 이미지를 추가하여 추가 분석 및 다중 분류 모델 개발을 위한 포괄적이고 통합된 데이터 세트를 보장하는 작업이 포함됩니다.

둘째, 전처리가 완료되는데, 이는 데이터의 품질과 가변성을 향상시키는 중요한 단계입니다. 모델 성능과 데이터 세트 다양성을 개선하기 위해 원본 MRI 이미지에 9가지 증강 프로세스가 적용됩니다. 이미지 크기를 일반적인 크기로 조정하면 조화를 이루고 RGB에서 회색조로의 변환은 처리를 단순화합니다. 수평/수직 뒤집기는 견고성을 향상시키고 줌을 통한 회전은 다양한 이미징 조건을 모방합니다. Sobel 필터링을 사용하면 특성의 예리도가 향상되고 노이즈 추가가 변동성이 향상됩니다. 언샵 마스킹은 이미지의 예리도를 향상시키고 높이 및 너비 이동은 위치 변화를 추가합니다. 각각을 결합하면 모델의 일반화 가능성과 분류 정확도가 향상됩니다. 이 모든 것은 모델이 광범위한 이미징 상황에 걸쳐 일반화되도록 보장합니다. 총 20,620개의 MRI 이미지가 있으며, 모델 개발에 사용된 후처리 총 이미지는 185,580개의 이미지를 생성합니다.

그런 다음 병합된 데이터 세트는 의료 영상에서 많이 활용되는 U-Net 모델을 사용하여 분할됩니다. 아키텍처는 MRI 스캔에서 종양 영역을 식별하도록 미세 조정되고 훈련됩니다. 이 단계는 종양을 강조하고 관련 없는 세부 사항을 제거하는 마스크된 이미지를 생성합니다. 이미지를 분할하면 분류 및 분석을 위한 더 나은 데이터 입력이 보장됩니다.

다음 단계에서는 이러한 모델을 미세 조정하여 이미지를 다양한 클래스로 분류하고 전이 학습을 활용하여 정확도를 높이는 동시에 훈련 시간을 단축합니다. 분류를 위해 각각 특별한 이점이 있는 여러 사전 훈련된 딥 러닝 모델이 사용됩니다. 이미지 분류의 사용 편의성과 효율성으로 인해 VGG16 및 VGG19가 자주 활용됩니다. 최적의 계산 효율성을 갖춘 EfficientNetB0 및 EfficientNetB7은 최첨단 성능을 제공합니다. ResNet101의 심층 아키텍처는 복잡한 패턴을 효과적으로 캡처하여 분류 정확도를 향상시킵니다. 그 후, 훈련된 알고리즘이 MRI 데이터를 4가지 종양 분류로 분류하여 정확한 진단이 보장됩니다. 신경교세포는 뇌 기능을 손상시키는 신경아교종 종양의 원인입니다. 수막종 종양은 뇌와 척수의 보호층인 수막에서 발생합니다. 뇌하수체는 호르몬 균형과 생리적 과정에 영향을 미치는 뇌하수체 종양의 부위입니다.

그런 다음 정확한 진단을 돕기 위해 K-최근접 이웃(KNN)과 같은 클러스터링 기술을 사용하여 종양 등급을 예측합니다. 고급 신경아교종(HGG)의 3등급과 4등급은 심각한 종양 발생을 나타냅니다. 저등급 신경아교종(LGG)의 1등급과 2등급은 각각 성장 속도가 느리고 공격성이 떨어지는 종양입니다. 이 등급은 종양의 공격성을 확립하고 따라서 직접적인 임상 관리를 확립하는 데 필수적입니다.

마지막으로 분류 모델의 효능을 평가하기 위해 중요한 기준에 따라 대조합니다. 증강 및 분할 전략이 모델 성능을 향상시켰는지 여부를 확인하기 위해 효과를 평가합니다. 신뢰성과 효율성을 보장하기 위해 다양한 데이터 세트에 대한 성능도 검사하고 분류 정확도를 가장 고급 모델과 대조합니다.

워크플로는 데이터 준비, 전처리, 세분화, 분류 및 등급을 일관된 프레임워크에 통합합니다. 최첨단 DL 방법의 적용과 엄격한 전처리를 통해 뇌종양 검출 및 분류의 정확성을 높입니다. 종양 등급을 포함하면 임상 의사 결정이 더욱 지원되어 종양 분석을 위한 포괄적인 시스템이 됩니다.

그림 5: 딥 러닝 프레임워크. 딥러닝 모델을 이용한 뇌종양 분류 프레임워크 제안. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

도 5 는 딥러닝과 같은 고급 계산 기술을 사용하여 뇌종양을 식별하는 의료 영상 분류 시스템과 관련된 아키텍처입니다. 분류되는 MRI 이미지 모음으로 시작됩니다. 따라서 이것은 분류 프로세스의 중추가 될 것입니다. 그런 다음 입력 데이터는 데이터 전처리 모듈로 들어가 정규화 또는 크기 조정 및 이미지 증강, 노이즈 제거가 수행됩니다. 전처리는 입력 이미지를 표준화하여 모델의 훈련 단계를 최대한 활용합니다. 전체 단계는 후속 계산 집약적인 단계를 거칠 준비를 하는 것입니다. 전처리 단계 후에 데이터가 기능 추출 모듈에 공급됩니다. 여기에서 CNN과 같은 DL 모델과 같은 계산 기술 또는 모델을 사용하여 이미지의 특징을 식별할 수 있습니다. 추출되는 특징에는 이상 또는 종양 특성을 나타내는 패턴이 포함될 수 있습니다. 그런 다음 이 기능 집합이 분류 모델에 입력됩니다. 이것이 아마도 종양의 존재 여부와 종양의 유형을 포함하는 다양한 클래스를 구별하는 것을 목표로 한다는 점을 감안할 때 모델은 정확한 예측을 위해 Inception-ResNet-v2와 같은 다소 복잡한 아키텍처에 의존합니다. 스캔한 뇌 이미지에 종양이 존재하는지 여부를 결정합니다. 이 분류 단계는 "종양" 및 "종양 없음"으로 나뉩니다. 종양이 발견되면 시스템은 종양 유형을 신경아교종, 수막종 또는 뇌하수체로 분류합니다. 이러한 각 유형에는 모델이 추출된 기능을 사용하여 인식하는 특성이 있습니다. 확인된 종양에 대해 종양의 등급이 결정됩니다. 등급 범위는 1에서 4까지이며 종양의 중증도와 진행을 나타냅니다. 1등급은 가장 덜 공격적이고 4등급은 가장 심각합니다. 이 분류는 의료 진단 및 치료 계획에 도움이 됩니다. 최종 결과에는 종양의 유무와 유형 및 등급이 포함됩니다. 이러한 결과물은 환자의 관리 및 치료에 대한 의사 결정을 위한 임상 적용에 매우 가치가 있습니다.

이 프로세스는 의료 영상 분석 및 종양 유형 분류를 위한 통합 파이프라인을 나타냅니다. 원시 데이터부터 시작하여 준비 데이터, 특징 추출 및 분류를 통해 연속적으로 진행됩니다. 시스템은 실제로 종양이 있는지 여부를 결정하고, 유형을 지정하고, 중증도 또는 등급을 제공합니다. 보다 복잡한 형태의 계산을 사용하는 이 파이프라인은 의료 영상의 진단을 간소화하여 뇌종양에서 더 빠르고 정확하게 평가할 수 있도록 합니다. 모듈식 워크플로우는 유연성을 보장하며, 성능 향상을 위해 구성 요소를 별도로 최적화할 수 있습니다.

Results

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...

Discussion

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...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
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