Research Article

Oparte na konwolucyjnych sieciach neuronowych ramy do klasyfikacji i segmentacji guzów mózgu przy użyciu obrazów rezonansu magnetycznego

DOI:

10.3791/68428

⸱

September 5th, 2025

 ,  , 
1Chitkara University Institute of Engineering and Technology, Chitkara University

In This Article

Summary

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Algorytmy głębokiego uczenia wykorzystano w rezonansie magnetycznym do przeprowadzenia klasyfikacji i segmentacji guzów mózgu za pomocą U-Net. InceptionV3, DenseNet201 i Inception-ResNet-v2 działały z doskonałą dokładnością w zakresie przewidywania typu i stopnia nowotworu. Rozszerzone modele hybrydowe GPT-4.0 do automatycznego generowania raportów medycznych i pomocy diagnostycznej.

Abstract

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Wczesna diagnoza nowotworów mózgu ma kluczowe znaczenie dla optymalizacji rokowania i doboru leczenia pacjenta. Dokładna segmentacja i kategoryzacja guzów mózgu jest niezbędna do stworzenia specjalistycznych technik leczenia. Wraz ze wzrostem wykorzystania MRI do diagnozowania mózgu i poprawą technologii widzenia komputerowego, posiadanie dobrego i skutecznego modelu do identyfikacji i kategoryzacji nowotworów na podstawie skanów MRI pozostaje wyzwaniem. Aby rozwiązać ten problem, autorzy zasugerowali technikę opartą na głębokim uczeniu się do segmentacji i klasyfikowania guzów mózgu z różnych zestawów danych. W procesie wstępnego przetwarzania obrazu wykorzystano dziewięć metod augmentacji w celu zwiększenia wydajności modelu. Segmentację MRI przeprowadzono przy użyciu modelu U-Net.

Opracowany model klasyfikacyjny oparty na InceptionV3 i DenseNet201 przewiduje istnienie guza i kategoryzuje go na glejaka, oponiaka i przysadkę. Z 99,15% dokładnością, InceptionV3 jest wyższy niż 98,75% DenseNet201 w klasyfikacji nowotworów. Dodatkową klasyfikację guzów przeprowadzono za pomocą klastrowania jako HGG i LGG na podstawie Inception-ResNet-v2. Stopnie nowotworu (1-4) są identyfikowane z 96,64% dokładnością przez Inception-ResNet-v2. Autonomiczny system integruje modele hybrydowe z GPT-4.0 w celu generowania raportów. W związku z tym ta nowatorska struktura może być bardzo odpowiednia dla klinik, gdy jest używana do automatycznej identyfikacji i oddzielania guzów mózgu przy użyciu obrazów wejściowych przechwyconych ze skanów MRI.

Introduction

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Guzy mózgu mogą znacząco pogarszać jakość życia pacjentów i ich rodzin oraz odpowiadać za jeden przypadek na 100 nowotworów leczonych każdego roku w USA 1,2,3. Glejak jest najbardziej rozpowszechnionym pierwotnym nowotworem mózgu wśród ludzi w Stanach Zjednoczonych, który występuje 6,5 na 100 000. Powstają w astrocytach, oligodendrocytach i komórkach wyściółki, komórkach glejowych, które odżywiają neurony mózgu. Glejak jest podzielony na różne typy na podstawie dotkniętej chorobą komórki glejowej w guzie, a także jej profilu genetycznego, który może być teraz przydatny do przewidywania zachowania, jakiemu guz może ulec w czasie, oraz metod leczenia, które najprawdopodobniej okażą się skuteczne 4,5,6. Glejak może uniemożliwić funkcjonowanie mózgu, a nawet być śmiertelny w zależności od jego lokalizacji i tempa wzrostu. Oponiaki stanowią 15-20% wszystkich pierwotnych guzów mózgu. Ich częstość występowania w normalnych badaniach przesiewowych wynosi jeden na 100 osób w serii operacyjnej. Zakłada się, że pochodzą one z komórki czapeczki pajęczynówki. Oponiaki wykazują szerokie spektrum zachowań, od łagodnych do bardzo agresywnych, w zależności od ich lokalizacji. Objawiają się wieloma różnymi objawami, ale większość pacjentów pozostaje bezobjawowa.

Związane z tym objawy i oznaki są spowodowane głównie uciskiem sąsiednich struktur, a zatem mogą również objawiać się objawami takimi jak drgawki ruchowe, zaburzenia czucia, zaburzenia mowy, anosmia i wiele innych. Guzy przysadki mózgowej są trzecimi najczęstszymi pierwotnymi nowotworami wewnątrzczaszkowymi, po glejakach i oponiakach, stanowiąc około 10% wszystkich wycinanych pierwotnych nowotworów mózgu. Mogą wystąpić na wiele sposobów z powodu nadmiernego lub hipo-wydzielania hormonów przysadki mózgowej, zwężenia łodygi przysadki lub wpływu na otaczające struktury, szczególnie skrzyżowanie wzrokowe.

W porównaniu ze standardowymi skanami TK mózgu, obrazy MRI zawierają duży zakres kontrastu tkankowego 7,8,9. Opracowanie metody regularnej automatycznej segmentacji guza mózgu miałoby zatem ogromne znaczenie dla prawidłowego diagnozowania i leczenia tych pacjentów. W związku z tym opracowanie niezawodnej automatycznej techniki segmentacji guza mózgu miałoby ogromne znaczenie w prawidłowym diagnozowaniu i leczeniu tych pacjentów. Te inteligentne metody pomogłyby neurochirurgom i radiologom w lepszej ocenie objętości, kształtu guza i dokładniejszym określeniu granicy między guzem a sąsiednimi normalnymi tkankami.

Uczenie maszynowe może być korzystne w określaniu rodzaju i obecności guzów mózgu, ale wymaga większej interwencji człowieka, ponieważ jego modele są predykcyjne. Z kolei modele głębokiego uczenia mogą uczyć się i wykrywać cechy dzięki sieciom neuronowym, które byłyby sednem w pełni zautomatyzowanego całego procesu wykrywania. Wiele metod uczenia maszynowego (ML) zostało opracowanych dla radiologów, dzięki czemu otrzymują oni niezwykłe wizje podczas rozpoznawania i klasyfikacji obrazów MR. Najskuteczniejszą metodą spośród całego segmentu modalności wykrywania raka jest obrazowanie medyczne. Metodologie te są pomocne w identyfikacji i wykrywaniu nowotworów złośliwych. Metodologia ta jest kluczowa, ponieważ nie ma inwazyjnego charakteru związanego z innymi praktykami medycznymi. Zabiegi nie są inwazyjne 10,11,12. Nowatorstwem tej pracy jest to, że oferuje ona unikalną platformę opartą na DL do automatycznej, dokładnej i wydajnej wieloklasowej kategoryzacji i oceny guzów mózgu przy użyciu obrazów MRI, co zmniejsza potrzebę ręcznej interpretacji.

Autorzy zaproponowali modele klasyfikacji guzów mózgu przy użyciu metod ekstrakcji cech nLBP i LBP. Modele precyzyjnie scharakteryzowały najczęstsze rodzaje nowotworów mózgu. Maksymalną dokładność 95,56% osiągnięto przy użyciu schematu ekstrakcji cech nLBPD = 1 z modelem KNN11. Autorzy przeprowadzili badanie klinicznego zastosowania głębokiego uczenia (DL) w radiografii i udokumentowali operacje związane z tą dziedziną13. Podkreślili kliniczne implikacje DL w kilku dziedzinach klinicznych. DL wykazała zadowalające wyniki w niektórych wdrożeniach radiologicznych, ale technologia jest niedojrzała i nie może zastąpić zawodu diagnostycznego radiologa14. Połączenie algorytmów DL z radiologami poprawia skuteczność i wydajność diagnostyki. MRI został oceniony w licznych badaniach pod kątem jego możliwego zastosowania w klasyfikacji guzów mózgu za pomocą różnych projektów badawczych.

Afshar i wsp. zasugerowali ulepszoną architekturę CapsNet do klasyfikacji głównych guzów mózgu z 3064 obrazami z pomocniczymi obszarami wejściowymi zainteresowania poprzez zastosowanie granic guza, aby włożyć większy wysiłek i ulepszyć inne metody z dokładnością 90,89%15. Gumaei i wsp. zasugerowali hybrydową metodę opartą na ekstrakcji cech do klasyfikacji guzów mózgu za pomocą RELM. Autorzy znormalizowali obraz mózgu za pomocą normalizacji min-max i użyli RELM do klasyfikacji, aby osiągnąć dokładność 94,23%16. Zintegrowany schemat wykorzystujący segmentację i klasyfikację guzów mózgu za pomocą MRI został zaproponowany przez Rezaei i wsp. Zastosowane kroki obejmowały usunięcie szumu, segmentację za pomocą maszyny wektorów nośnych (SVM), wyodrębnienie cech i wybór cech za pomocą DE. Wycinki guza sklasyfikowano przy użyciu klasyfikatorów WSVM, KNN i HIK-SVM. Klasyfikatory, z metodami zespołowymi opartymi na MODE, osiągnęły dokładność 92,46%17. Fouad i wsp. zaproponowali klasyfikację guza mózgu za pomocą deskryptorów cech HDWT-HOG i WOA dla cech redukujących. W metodzie wykorzystano metody zespołowe z workowaniem. W przypadku pakowania w worki osiągnięto średnią dokładność na poziomie 96,4%, a w przypadku zwiększania osiągnięta wartość wynosi 95,8%18.

Ayadi i wsp. wprowadzili proces klasyfikacji guzów mózgu przy użyciu technik takich jak normalizacja i gęste, przyspieszone cechy wytrzymałościowe z histogramem gradientowym, poprawiając jakość wyszukiwania obrazów i wynikający z tego rozwój cech dyskryminacyjnych. Zastosowano klasyfikator SVM, a odpowiednia dokładność osiągnęła wysoki poziom do 90,27% w zestawie danych ewaluacyjnych19. Srujan i in. przedstawili szesnastowarstwową architekturę DL konwolucyjnej sieci neuronowej (CNN), która łączy funkcje aktywacji, takie jak ReLU i optymalizator Adama, abyosiągnąć dokładność klasyfikacji na poziomie 95,36%. Tejaswini i in. zaprojektowali model CNN do diagnozowania oponiaka, glejaka i przysadki mózgowej, który osiągnął dokładność walidacji 87,16% i dokładność treningu 92,79%. Obszar guza został również podzielony na segmenty za pomocą progowania Otsu, rozmytych cśrodków i technik zlewni21. Huang i wsp. przedstawili CNN-BCN do klasyfikacji nowotworów mózgu. Architektura sieci została zaprojektowana przy użyciu metody grafu losowego i osiągnęła docelową dokładność do 95,49%22. Ghassemi i wsp. zaprojektowali model DL do klasyfikacji obrazów guzów mózgu23. Zaawansowane funkcje i wzorce uczenia się uzyskano z obrazów MR poprzez wykorzystanie wstępnie wytrenowanych sieci jako dyskryminatorów GAN. Opierając się na pięciokrotnej walidacji krzyżowej, podejście to osiągnęło dokładność 95,6% dzięki zastąpieniu w pełni połączonych warstw technik, takich jak rozszerzanie danych i przerywanie danych. Deepak i wsp. połączyli SVM z CNN w celu sklasyfikowania obrazów guzów mózgu. Po przetestowaniu za pomocą pięciokrotnego protokołu walidacji krzyżowej zautomatyzowany system osiągnął dokładność 95,82%, przewyższającą inne techniki24. Noreen i in. wykorzystali wstępnie wyszkolone i dostrojone sieci, takie jak Xception i InceptionV3, do identyfikacji raka mózgu. Modele te wykorzystywały szeroki zakres technik uczenia maszynowego, takich jak RF, SVM i KNN, aby osiągnąć dokładność 94,34% przy użyciu zestawu InceptionV325.

Shaik i in. sklasyfikowali guzy mózgu w przetwarzaniu obrazów medycznych i przedstawili podejście manet, które nadaje priorytet nowotworom poprzez połączenie uwagi przestrzennej i międzykanałowej przy jednoczesnym zachowaniu czasowych powiązań między kanałami. W podstawowym zadaniu klasyfikacji guzów mózgu podejście osiągnęło dokładność 96,51%26. Ahmad i wsp. stworzyli głęboką generatywną sieć neuronową do klasyfikacji guzów mózgu. Technologia wykorzystała VAE i GAN, aby osiągnąć 96,25% dokładności na obrazach MR guza mózgu27,28. Model DL został zaprezentowany przez Alanazi i wsp. w celu identyfikacji podtypów guza mózgu. Technika ta polegała na stworzeniu wielu modeli CNN i zastosowaniu uczenia transferowego w celu precyzyjnego dostrojenia wag 22-warstwowego modelu CNN. Model osiągnął dokładność obrazu MRI na poziomie odpowiednio 95,75 procent i 96,89 procent,29,30. Almalki i wsp. zastosowali technikę ML do rezonansu magnetycznego, aby szybko przeanalizować nasilenie czterech typów guzów mózgu. Podzielenie rezonansu magnetycznego na obrazy o wymiarach 8 x 8 pikseli pozwoliło na wyodrębnienie charakterystyk skali gaussowskiej i nieliniowej, a także drobnych szczegółów. Ważne cechy zostały zidentyfikowane, podzielone na 400 nieliniowych cech skali i połączone z każdym obrazem MR. Użyli klasyfikatora SVM i osiągnęli dokładność 95,33%31,32. Trzy modele CNN zostały porównane przez Kumara i wsp., a mianowicie InceptionV3, AlexNet i ResNet50, w celu klasyfikacji guza pierwotnego i zastosowano metody augmentacji danych. AlexNet pokonał innych pod względem szczegółowości i dokładności, uzyskując wynik 96,2%33.

Ullah i in. zagłębiają się w głębsze modele uczenia się w celu diagnozowania guza mózgu. DeepEBTDNet poprawia jakość rezonansu magnetycznego poprzez zastosowanie DSIHE i zapewnienie interpretowalności za pomocą LIME34,35. TumorResNet z 20 warstwami konwolucyjnymi, który służy do osiągnięcia dokładności klasyfikacji 99,33%, przedstawia spójną, zautomatyzowaną metodę wczesnej diagnozy guza mózgu i planowania leczenia36. Kumar i wsp. zaprezentowali wiele zaawansowanych architektur DL do klasyfikacji i wykrywania guzów mózgu. Model PBTC łączy w sobie wstępne przetwarzanie MRI, segmentację ACLS i zoptymalizowany przez OHBO HRNN-BiLSTM, aby osiągnąć dokładność 97,8%37. Dwukanałowa sieć CNN z transformacją falkową Berkeleya i ulepszoną optymalizacją serwali osiąga dokładność 98,8% dla czterech typów nowotworów38. Disci i wsp. wykorzystują dane MRI do oceny wstępnie wytrenowanych modeli DL do klasyfikacji guzów mózgu i osiągają 98,73% dokładności dzięki Xception39.

Access restricted. Please log in or start a trial to view this content.

Protocol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Opis zestawu danych i analiza eksploracyjna
Zestaw danych składa się z wielu źródeł w celu zwiększenia niezawodności i dokładności modelu. Merged_dataset zawiera 20 620 obrazów z zestawu danych A (3 054), zestawu danych B (3 264), zestawu danych C (10 000) i zestawu danych D (4 292). Ponadto dodano 1,425 obrazów z zestawu danych Brada dla stopni guza glejaka (HGG, LGG). Ten zróżnicowany zestaw danych zapewni lepszą generalizację, zmniejszy odchylenia i poprawi wydajność modelu. Duży zestaw danych umożliwia kompleksowe oceny, a tym samym istnieje większe prawdopodobieństwo uzyskania prawidłowych prognoz w rzeczywistych zastosowaniach zadań klasyfikacyjnych.

W tym badaniu wykorzystano dwa odrębne zestawy danych. W latach 2005-2010 pierwszy został zakupiony ze Szpitala Nanfang i Szpitala Ogólnego Uniwersytetu Medycznego w Tianjing w Chinach. W kolekcji znajdują się obrazy T1 ze wzmocnionym kontrastem od 233 osób z nowotworami, a także glejakiem stopnia II i III. Zestaw danych oferuje bardzo kompleksową dystrybucję kategorii nowotworów i ogólną analizę danych. W przypadku glejaka o wysokim stopniu złośliwości (HGG) dostępnych jest 1050 obrazów, a w przypadku glejaka o niskim stopniu złośliwości (LGG) 375 obrazów, co oznacza, że więcej uwagi poświęca się cięższym przypadkom (HGG).

Rycina 1 przedstawia skany MRI, które są podzielone na trzy typy guzów mózgu. Każdy wiersz to jeden rodzaj nowotworu, a dla każdej kategorii znajdują się trzy przykładowe obrazy. Skany mają różne cechy w różnych orientacjach i widokach, w tym osiowym, strzałkowym i czołowym. Próbki glejaka mają nieregularne struktury, które naciekają tkanki mózgowe. Próbki oponiaka pojawiają się jako zlokalizowane masy w pobliżu powierzchni mózgu, a próbki guza przysadki znajdują się w pobliżu środka mózgu. Przykłady te przedstawiają zmienność w wyglądzie guza, pomagając w ten sposób trenować modele uczenia maszynowego w celu dokładnego wykrywania, a także klasyfikacji nowotworów w analizie obrazów medycznych.

figure-protocol-1
Rycina 1: Skany MRI guzów.Skany MRI oponiaka, glejaka i guzów przysadki mózgowej w widoku osiowym, strzałkowym i koronalnym, podkreślające różne cechy obrazowania. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

Glejak ma największą liczbę obrazów, która wynosi nieco ponad 6,000. Oponiak ma około 6,000 obrazów, podczas gdy przysadka ma prawie tyle samo obrazów co oponiak. Wydaje się, że istnieje prawie równy podział między trzema kategoriami, co oznacza, że każdy z typów nowotworów jest dobrze reprezentowany do treningu lub jakiejkolwiek analizy. Glejak ma największą medianę rozmiaru pliku, chociaż oponiak ma bardziej ograniczony zakres i więcej wartości odstających. Umiarkowana wariancja przysadki zawiera kilka pozornych wartości odstających. Każda kategoria zawiera naprawdę ogromne rozmiary plików.

Rycina 2 przedstawia PCA cech obrazu dla trzech typów nowotworów. Główny składnik 1 wychwytuje największą wariancję i znacznie oddziela przysadkę (prawy klaster) od pozostałych. Glejaki i oponiaki nakładają się na siebie po lewej stronie, co wskazuje, że ich reprezentacje cech są porównywalne i że ich rozdzielność jest zmniejszona.

figure-protocol-2
Rysunek 2: PCA cech obrazu. Analiza głównych składowych wyodrębnionych cech różnicujących klasy glejaka, oponiaka i guza przysadki mózgowej. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

Mapa cieplna korelacji pokazana na rysunku 3 przedstawia relacje między atrybutami metadanych obrazu: File_Size, wysokość i szerokość. File_Size wykazuje bardzo niską korelację zarówno z wysokością (-0,01), jak i szerokością (0,0039).

figure-protocol-3
Rysunek 3: Mapa cieplna korelacji metadanych. Mapa cieplna przedstawiająca relacje między atrybutami metadanych obrazu, takimi jak rozmiar pliku, wysokość i szerokość. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

Wysokość i szerokość również wykazują bardzo niską dodatnią korelację wynoszącą 0,0039. Wartości przekątnej wynoszą 1, co wskazuje na doskonałą korelację każdej zmiennej z samą sobą. Ogólnie rzecz biorąc, atrybuty są w większości nieskorelowane, co oznacza niezależne różnice między rozmiarem pliku, wysokością i szerokością obrazu.

Metodologia i proponowana architektura
Przepływ pracy, który systematycznie wykrywa, klasyfikuje i analizuje guzy mózgu na podstawie danych MRI, przedstawiono na rysunku 4. Metodologia obejmuje zaawansowane techniki przetwarzania wstępnego, segmentacji i DL w celu uzyskania solidnego przewidywania i klasyfikacji nowotworów.

figure-protocol-4
Rysunek 4: Przebieg pracy proponowanej metodyki. Krokowy przepływ pracy do wykrywania, klasyfikacji i analizy nowotworów przy użyciu danych MRI. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

Proces rozpoczyna się od zintegrowania szeregu zestawów danych (oznaczonych jako A, B, C i D). Następnie zestawy danych są łączone w jeden kompleksowy zestaw danych w celu uzyskania całościowych danych. Obejmuje również zestaw danych Brada do celów segmentacji, grupowania i klasyfikacji obrazów. Scalony zestaw danych obejmuje dołączenie wszystkich obrazów w każdym zestawie danych i połączonych katalogach, zapewniając kompleksowy i ujednolicony zestaw danych do dalszej analizy i rozwoju modelu wieloklasyfikacyjnego.

Po drugie, wstępne przetwarzanie jest zakończone, co jest ważnym krokiem w kierunku poprawy jakości i zmienności danych. Do oryginalnych obrazów MRI zastosowano dziewięć procesów augmentacji, aby poprawić wydajność modelu i różnorodność zbiorów danych. Zmiana rozmiaru obrazu do wspólnego rozmiaru harmonizuje je, a konwersja RGB na skalę szarości upraszcza przetwarzanie. Przerzucanie w poziomie/pionie zwiększa niezawodność, a obrót z powiększaniem naśladuje różne warunki obrazowania. Zastosowanie filtrowania Sobel poprawia ostrość funkcji, a dodanie szumu poprawia zmienność. Maskowanie wyostrzające poprawia ostrość obrazu, a przesunięcie wysokości i szerokości powoduje zmiany pozycji. Każdy z nich, po połączeniu, poprawia możliwość uogólnienia modelu i dokładność klasyfikacji. Wszystko to gwarantuje, że model uogólnia się na szerokie spektrum sytuacji obrazowania. W sumie istnieje 20 620 obrazów MRI, a łączna liczba obrazów wykorzystanych do opracowania modelu daje 185 580 obrazów.

Następnie scalony zestaw danych jest segmentowany przy użyciu modelu U-Net, który jest szeroko stosowany w obrazowaniu medycznym. Architektura jest dopracowana i przeszkolona w celu identyfikacji regionów guza na podstawie skanów MRI. Ten krok tworzy zamaskowane obrazy, które podkreślają guz i eliminują nieistotne szczegóły. Segmentacja obrazów zapewnia lepsze dane wejściowe do klasyfikacji i analizy.

W kolejnym kroku modele te są dopracowywane w celu kategoryzowania obrazów w różnych klasach, wykorzystując uczenie transferowe w celu zwiększenia dokładności przy jednoczesnym skróceniu czasu szkolenia. Do klasyfikacji używanych jest wiele wstępnie wytrenowanych modeli uczenia głębokiego, z których każdy ma specjalne zalety. Ze względu na łatwość użycia i wydajność w kategoryzacji obrazów, VGG16 i VGG19 są często używane. Dzięki optymalnej wydajności obliczeniowej EfficientNetB0 i EfficientNetB7 oferują najwyższą wydajność. Głębsza architektura ResNet101 poprawia dokładność klasyfikacji, skutecznie rejestrując skomplikowane wzorce. Następnie dokładna diagnoza jest zapewniona dzięki klasyfikacji danych MRI przez wyszkolone algorytmy w czterech klasyfikacjach guza. Komórki glejowe są źródłem guzów glejaka, które upośledzają funkcjonowanie mózgu. Guzy oponiaka rozwijają się w oponach mózgowych, które są warstwami ochronnymi mózgu i rdzenia kręgowego. Przysadka mózgowa jest miejscem guzów przysadki, które wpływają na równowagę hormonalną i procesy fizjologiczne.

Następnie, aby pomóc w dokładnej diagnozie, do prognozowania stopni nowotworu stosuje się techniki grupowania, takie jak K-Najbliżsi Sąsiedzi (KNN). Stopnie trzeci i czwarty glejaka wysokiego stopnia (HGG) oznaczają ciężki rozwój guza. Stopnie 1 i 2 glejaka o niskim stopniu złośliwości (LGG) są odpowiednio wolniej rosnącymi, mniej agresywnymi nowotworami. Ta klasyfikacja jest niezbędna do ustalenia agresywności guza, a tym samym bezpośredniego postępowania klinicznego.

Wreszcie, aby ocenić skuteczność modeli kategoryzacji, zestawiono je ze sobą według ważnych kryteriów. Ich efekty są oceniane w celu ustalenia, czy strategie augmentacji i segmentacji poprawiły wydajność modelu. Aby zagwarantować niezawodność i skuteczność, wydajność jest również badana na różnych zestawach danych, a dokładność klasyfikacji jest porównywana z najbardziej zaawansowanymi modelami.

Przepływ pracy integruje przygotowywanie, wstępne przetwarzanie, segmentację, klasyfikację i klasyfikację danych w spójną strukturę. Zwiększa dokładność wykrywania i klasyfikacji guzów mózgu dzięki zastosowaniu najnowocześniejszych metod DL i rygorystycznemu przetwarzaniu wstępnemu. Włączenie klasyfikacji guzów dodatkowo wspiera podejmowanie decyzji klinicznych, dzięki czemu jest to kompleksowy system do analizy nowotworów.

figure-protocol-5
Rysunek 5: Struktura uczenia głębokiego. Zaproponowana klasyfikacja guzów mózgu z wykorzystaniem modeli głębokiego uczenia. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

Rysunek 5 przedstawia architekturę odnoszącą się do systemu klasyfikacji obrazów medycznych, który identyfikuje guzy mózgu za pomocą zaawansowanych technik obliczeniowych, takich jak głębokie uczenie. Zaczyna się od kolekcji obrazów MRI, które są klasyfikowane. W związku z tym będzie to kręgosłup procesu klasyfikacji. Następnie dane wejściowe trafiają do modułu wstępnego przetwarzania danych, w którym przeprowadzana jest normalizacja, czyli zmiana rozmiaru i powiększanie obrazu, a także usuwanie szumów. Przetwarzanie wstępne standaryzuje obrazy wejściowe, aby jak najlepiej wykorzystać fazy trenowania modelu. Cały krok polega na przygotowaniu się do przejścia przez kolejne intensywne obliczeniowo etapy. Po etapie przetwarzania wstępnego dane są przekazywane do modułu wyodrębniania cech. W tym przypadku można użyć technik obliczeniowych lub modeli, być może modeli DL, takich jak CNN, w celu identyfikacji cech na obrazach. Cechy, które są wyodrębniane, mogą obejmować wzorce wskazujące na nieprawidłowości lub cechy guza. Następnie ten zestaw funkcji jest wprowadzany do modelu klasyfikacji. Biorąc pod uwagę, że prawdopodobnie miałoby to na celu rozróżnienie różnych klas, które obejmują istnienie lub nieistnienie guza oraz rodzaj nowotworu, model opiera się na dość złożonej architekturze, prawdopodobnie między innymi Inception-ResNet-v2, w celu uzyskania dokładnych prognoz. Określa, czy guz istnieje w zeskanowanym obrazie mózgu. Ten krok klasyfikacji obejmuje "Guza" i "Brak guza". Po znalezieniu guza system klasyfikuje typ guza jako glejak, oponiak lub przysadkę. Każdy z tych typów ma cechy, które model rozpoznaje przy użyciu wyodrębnionych funkcji. W przypadku zidentyfikowanych guzów określa się następnie stopień guza. Stopnie wahają się od 1 do 4, co wskazuje na nasilenie i progresję guza. Stopień 1 jest najmniej agresywny, podczas gdy stopień 4 jest najcięższy. Ta klasyfikacja pomaga w diagnozie medycznej i planowaniu leczenia. Końcowe wyniki obejmują brak lub obecność guza oraz jego rodzaj i stopień. Takie wyniki są bardzo cenne dla zastosowań klinicznych w podejmowaniu decyzji w opiece i leczeniu pacjentów.

Proces ten stanowi zintegrowany potok do analizy obrazów medycznych i klasyfikacji typów nowotworów. Zaczynając od surowych danych, przechodzi kolejno przez dane przygotowawcze, wyodrębnianie funkcji i klasyfikację. System określa, czy rzeczywiście ma guz, określa jego rodzaj i podaje nasilenie lub stopień. Ten potok, wykorzystujący bardziej złożone formy obliczeń, usprawnia diagnostykę w obrazowaniu medycznym, dzięki czemu oceny mogą być szybsze i dokładniejsze w przypadku guzów mózgu. Modułowy przepływ pracy zapewnia elastyczność, w której komponenty można optymalizować oddzielnie w celu zwiększenia wydajności.

Access restricted. Please log in or start a trial to view this content.

Results

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Środowisko szkoleniowe wykorzystuje procesor graficzny NVIDIA Tesla T4 firmy Kaggle, ułatwiając wydajne trenowanie modeli. Biblioteki, które mają znaczenie, to TensorFlow, PyTorch, Keras, NumPy i Pinecone, które ułatwiają silne potoki uczenia głębokiego. ThickNet201, InceptionV3 i Inception-ResNet-v2 zostały wybrane ze względu na ich udowodnioną skuteczność w obrazowaniu medycznym. Projekty te zapewniają głęboką ekstrakcję cech, solidny przepływ gradientowy i mocne strony hybrydowe, które poprawiają dokładność, minimaliz...

Access restricted. Please log in or start a trial to view this content.

Discussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Wczesna diagnoza guzów mózgu może być niezbędna do ratowania życia danej osoby, ponieważ guzy mózgu mogą być bardzo niebezpieczne i śmiertelne. Obecnie diagnostyka nowotworów opiera się na ręcznej interpretacji radiologów, co może powodować opóźnienia i błędy ludzkie w wykrywaniu nowotworów złośliwych we wczesnych stadiach. W związku z tym w niniejszym artykule przedstawiono wieloklasyfikacyjny model diagnozy guza mózgu, który może precyzyjnie wykrywać, lokalizować i klasyfikować guzy, zwłaszcza gdy mamy do czynienia z r...

Access restricted. Please log in or start a trial to view this content.

Disclosures

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Autorzy nie mają do zadeklarowania konfliktu interesów.

Acknowledgements

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Żaden

WKŁAD AUTORA:
Konceptualizacja, A.K.; kuratorstwo danych, A.K.; analiza formalna, A.K., M.U. i D.G.; śledztwa, A.K.; metodyka, A.K.; superwizorium, M.U. i D.G.; walidacja, A.K., M.U. i D.G.; wizualizacja, A.K. i M.U.; pisarstwo oryginału, A.K. i M.U.; redakcja i redakcja, A.K., M.U. i D.G.

Access restricted. Please log in or start a trial to view this content.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
fastText (szybki tekstSztuczna inteligencja FacebookaN/AReprezentacja i klasyfikacja słów
Współpraca z GoogleWyszukiwarka GoogleN/AOparte na chmurze środowisko Jupyter Notebook
Procesor graficzny/TPU Google ColabWyszukiwarka GoogleN/AAkceleracja sprzętowa oparta na chmurze
Intel Core i5/i7 lub AMD Ryzen 5/7Intel / AMDN/AProcesor do wykonywania lokalnego (jeśli jest wymagany)
biblioteka matplotlibOprogramowanie typu open source (oprogramowanie typu open source)N/ABiblioteka wizualizacji danych
NLTK (Biblioteka NLTK)Oprogramowanie typu open source (oprogramowanie typu open source)N/AZestaw narzędzi języka naturalnego do przetwarzania tekstu
NumPyOprogramowanie typu open source (oprogramowanie typu open source)N/ABiblioteka obliczeń numerycznych
NVIDIA GTX 1650 lub lepsza (opcjonalnie)Technologia NVIDIAN/AProcesor graficzny do zadań głębokiego uczenia
PandyOprogramowanie typu open source (oprogramowanie typu open source)N/ABiblioteka manipulacji danymi
Język Python Fundacja oprogramowania PythonN/AJęzyk programowania dla ML i NLP
Pochodnia PyTorchMeta Sztuczna inteligencjaN/AStruktura głębokiego uczenia
Pamięć RAM (minimum 8 GB, zalecane 16 GB)RozmaityN/AWymagania dotyczące pamięci dla zadań uczenia maszynowego
Scikit-naucz sięOprogramowanie typu open source (oprogramowanie typu open source)N/ABiblioteka uczenia maszynowego
Urodzony na morzuOprogramowanie typu open source (oprogramowanie typu open source)N/AWizualizacja danych statystycznych
SpaCySztuczna inteligencja eksplozjiN/ABiblioteka NLP o sile przemysłowej
Pamięć SSD (minimum 256 GB, zalecane 512 GB)RozmaityN/AMagazyn do przetwarzania zestawu danych
Technologia TensorFlowWyszukiwarka GoogleN/AStruktura głębokiego uczenia

References

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Kaye, A. H., Laws, E. R. Jr Brain tumors e-book: an encyclopedic approach. , Elsevier Health Sciences. (2011).
  2. Roda, E., Bottone, M. G. Brain cancers: new perspectives and therapies. Front Neurosci. 16, 857408(2022).
  3. Herholz, K., Langen, K. J., Schiepers, C., Mountz, J. M. Brain tumors. Semin Nucl Med. 42 (6), 356-370 (2012).
  4. Van Meir, E. G., et al. Exciting new advances in neuro-oncology: the avenue to a cure for malignant glioma. CA Cancer J Clin. 60 (3), 166-193 (2010).
  5. Bakas, S., et al. Advancing the Cancer Genome Atlas glioma MRI collections with expert segmentation labels and radiomic features. Sci Data. 4 (1), 1-13 (2017).
  6. Khosravanian, A., Rahmanimanesh, M., Keshavarzi, P., Mozaffari, S. Fast level set method for glioma brain tumor segmentation based on superpixel fuzzy clustering and lattice Boltzmann method. Comput Methods Programs Biomed. 198, 105809(2021).
  7. Tang, Z., Ahmad, S., Yap, P. T., Shen, D. Multi-atlas segmentation of MR tumor brain images using low-rank based image recovery. IEEE Trans Med Imaging. 37 (10), 2224-2235 (2018).
  8. Bakas, S., et al. Segmentation labels and radiomic features for the pre-operative scans of the TCGA-LGG collection. TCIA. , (2017).
  9. Chen, G., Li, Q., Shi, F., Rekik, I., Pan, Z. RFDCR: automated brain lesion segmentation using cascaded random forests with dense conditional random fields. NeuroImage. 211, 116620(2020).
  10. Ao, J., et al. Stimulated Raman scattering microscopy enables Gleason scoring of prostate core needle biopsy by a convolutional neural network. Cancer Res. 83 (4), 641-651 (2023).
  11. Kaplan, K., Kaya, Y., Kuncan, M., Ertunç, H. M. Brain tumor classification using modified local binary patterns feature extraction methods. Med Hypotheses. 139, 109696(2020).
  12. Rathi, V. G. P., Palani, S. Brain tumor detection and classification using deep learning classifier on MRI images. Res J Appl Sci Eng Technol. 10 (2), 177-187 (2015).
  13. McBee, M. P., et al. Deep learning in radiology. Acad Radiol. 25 (11), 1472-1480 (2018).
  14. Lu, S., et al. Analysis and design of surgical instrument localization algorithm. Comput Model Eng Sci. 137 (1), 669-685 (2023).
  15. Capsule networks for brain tumor classification based on MRI images and coarse tumor boundaries. Afshar, P., Plataniotis, K. N., Mohammadi, A. ICASSP 2019 IEEE Int Conf Acoust Speech Signal Process, , 1368-1372 (2019).
  16. Gumaei, A., Hassan, M. M., Hassan, M. R., Alelaiwi, A., Fortino, G. A hybrid feature extraction method with regularized extreme learning machine for brain tumor classification. IEEE Access. 7, 36266-36273 (2019).
  17. Rezaei, K., Agahi, H., Mahmoodzadeh, A. A weighted voting classifiers ensemble for the brain tumors classification in MR images. IETE J Res. 68 (5), 3829-3842 (2022).
  18. Moftah, H. M., Hefny, H. A. Brain diagnoses detection using whale optimization algorithm based on ensemble learning classifier. Int J Intell Eng Syst. 13 (2), (2020).
  19. Ayadi, W., Charfi, I., Elhamzi, W., Atri, M. Brain tumor classification based on hybrid approach. Vis Comput. 38 (1), 107-117 (2022).
  20. Srujan, K. S., Shivakumar, S., Sitnur, K., Garde, O., Poornima, P. K. Brain tumor segmentation and classification using CNN model. Brain Sci. 7 (4), (2020).
  21. Tejaswini, G. P., Sreelakshmi, K. Brain tumour detection using deep neural network. Wutan Huatan Jisuan Jishu. 16, 27-40 (2020).
  22. Huang, Z., Du, X., Chen, L., Li, Y., Liu, M., Chou, Y., Jin, L. Convolutional neural network based on complex networks for brain tumor image classification with a modified activation function. IEEE Access. 8, 89281-89290 (2020).
  23. Ghassemi, N., Shoeibi, A., Rouhani, M. Deep neural network with generative adversarial networks pre-training for brain tumor classification based on MR images. Biomed Signal Process Control. 57, 101678(2020).
  24. Deepak, S., Ameer, P. M. Automated categorization of brain tumor from MRI using CNN features and SVM. J Ambient Intell Humaniz Comput. 12 (8), 8357-8369 (2021).
  25. Noreen, N., Palaniappan, S., Qayyum, A., Ahmad, I., Alassafi, M. O. Brain tumor classification based on fine-tuned models and the ensemble method. Comput Mater Contin. 67 (3), (2021).
  26. Shaik, N. S., Cherukuri, T. K. Multi-level attention network: application to brain tumor classification. Signal Image Video Process. 16 (3), 817-824 (2022).
  27. Ahmad, B., Sun, J., You, Q., Palade, V., Mao, Z. Brain tumor classification using a combination of variational autoencoders and generative adversarial networks. Biomedicines. 10 (2), 223(2022).
  28. Uppal, M., et al. Fault pattern diagnosis and classification in sensor nodes using fall curve. Comput Mater Contin. 72 (1), 1799-1814 (2022).
  29. Neha, F. Kidney localization and stone segmentation from a CT scan image. In 2023 7th Int Conf Comput Commun Control Autom (ICCUBEA). , 1-6 (2023).
  30. Alanazi, M. F., et al. Brain tumor/mass classification framework using magnetic-resonance-imaging-based isolated and developed transfer deep-learning model. Sensors. 22 (1), 372(2022).
  31. Uppal, M., et al. A real-time data monitoring framework for predictive maintenance based on the Internet of Things. Complexity. 2023 (1), 9991029(2023).
  32. Almalki, Y. E., et al. Robust Gaussian and nonlinear hybrid invariant clustered features aided approach for speeded brain tumor diagnosis. Life. 12 (7), 1084(2022).
  33. Kumar, K. K., et al. Brain tumor identification using data augmentation and transfer learning approach. Comput Syst Sci Eng. 46 (2), (2023).
  34. Ullah, N., Hassan, M., Khan, J. A., Anwar, M. S., Aurangzeb, K. Enhancing explainability in brain tumor detection: a novel DeepEBTDNet model with LIME on MRI images. Int J Imaging Syst Technol. 34 (1), 23012(2024).
  35. Neha, F., Bhati, D., Shukla, D. K., Dalvi, S. M., Mantzou, N., Shubbar, S. U. U-Net in medical image segmentation: a review of its applications across modalities. arXiv preprint. , (2024).
  36. Ullah, N., Khan, M. S., Khan, J. A., Choi, A., Anwar, M. S. A robust end-to-end deep learning-based approach for effective and reliable BTD using MR images. Sensors. 22 (19), 7575(2022).
  37. Kumar, G. D., Mohanty, S. N. Precise brain tumor classification from MRI images with hybrid recurrent neural network-bidirectional LSTM and humming bird optimization. Cluster Comput. 28 (4), 235(2025).
  38. Gokapay, D. K., Mohanty, S. N. Enhanced MRI-based brain tumor segmentation and feature extraction using Berkeley wavelet transform and ETCCNN. Digit Health. 10, 20552076241305282(2024).
  39. Disci, R., Gurcan, F., Soylu, A. Advanced brain tumor classification in MR images using transfer learning and pre-trained deep CNN models. Cancers. 17 (1), 121(2025).

Access restricted. Please log in or start a trial to view this content.

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Tags

Brain Tumor ClassificationBrain Tumor SegmentationConvolutional Neural NetworkMagnetic Resonance ImagesDeep Learning ModelU Net SegmentationImage AugmentationTumor GradingInceptionV3 ModelDenseNet201 Model

Related Articles