Research Article

Структура на основе сверточных нейронных сетей для классификации и сегментации опухолей головного мозга с использованием магнитно-резонансных изображений

DOI:

10.3791/68428

⸱

September 5th, 2025

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

In This Article

Summary

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

Алгоритмы глубокого обучения были использованы в МРТ для классификации и сегментации опухолей головного мозга с помощью U-Net. InceptionV3, DenseNet201 и Inception-ResNet-v2 показали превосходную точность прогнозирования типа опухоли и ее степени. Дополненные гибридные модели GPT-4.0 для автоматического создания медицинских отчетов и помощи в диагностике.

Abstract

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

Ранняя диагностика опухолей головного мозга имеет решающее значение для оптимизации прогноза и выбора лечения пациента. Точная сегментация и категоризация опухолей головного мозга имеют важное значение для создания специализированных методов лечения. По мере того, как использование МРТ для диагностики мозга растет, а технологии компьютерного зрения также совершенствуются, наличие хорошей и эффективной модели для выявления и категоризации опухолей на основе МРТ сканирования остается сложной задачей. Чтобы решить эту проблему, авторы предложили метод, основанный на глубоком обучении, для сегментации и классификации опухолей головного мозга из различных наборов данных. Для предварительной обработки изображений использовались девять методов аугментации для повышения производительности модели. Сегментация МРТ проводилась с помощью модели U-Net.

Разработанная классификационная модель на основе InceptionV3 и DenseNet201 предсказывает существование опухоли и классифицирует ее на глиому, менингиому и гипофиз. Обладая точностью 99,15%, InceptionV3 превосходит DenseNet201 (98,75%) в классификации опухолей. Дополнительная классификация опухолей была выполнена с помощью кластеризации как HGG и LGG на основе Inception-ResNet-v2. Степени опухоли (1-4) идентифицируются с точностью 96,64% с помощью Inception-ResNet-v2. Автономная система интегрирует гибридные модели с GPT-4.0 для формирования отчетов. Таким образом, эта новая структура вполне может быть пригодна для клиник при использовании для автоматической идентификации и разделения опухолей головного мозга с использованием входных изображений, полученных с помощью МРТ.

Introduction

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

Опухоли головного мозга могут значительно ухудшать качество жизни пациентов и их семей и составлять один случай из каждых 100 случаев рака, ежегодно лечащихся в США: 1,2,3. Глиома является наиболее распространенной первичной опухолью головного мозга среди людей в Соединенных Штатах, заболеваемость которой составляет 6,5 на 100 000 человек. Они возникают в астроцитах, олигодендроцитах и эпендимальных клетках, глиальных клетках, которые обеспечивают питание нейронов мозга. Глиома классифицируется на различные типы в зависимости от пораженной глиальной клетки в опухоли, а также ее генетического профиля, который в настоящее время может быть полезен для прогнозирования поведения опухоли с течением времени и методов лечения, которые с наибольшей вероятностьюбудут эффективными. Глиома может нарушить функционирование мозга и даже привести к летальному исходу в зависимости от ее местоположения и скорости роста. Менингиомы составляют 15-20% всех первичных опухолей головного мозга. Их распространенность при обычном скрининге составляет один на каждые 100 человек в серии операций. Предполагается, что они происходят из паутинной ячейки колпачка. Менингиомы демонстрируют широкий спектр поведения, от доброкачественного до крайне агрессивного, в зависимости от их местоположения. Они проявляются многими разновидностями симптомов, но у большинства пациентов симптомы протекают бессимптомно.

Связанные с этим симптомы и признаки в основном вызваны сдавливанием прилегающих структур, и поэтому они также могут проявляться такими симптомами, как двигательные судороги, сенсорные нарушения, нарушение речи, аносмия и многие другие. Опухоли гипофиза являются третьими по частоте первичными внутричерепными новообразованиями после глиом и менингиом, составляя около 10% всех удаленных первичных новообразований головного мозга. Они могут возникать различными способами из-за гиперсекреции или гипосекреции гормонов гипофиза, сужения ножки гипофиза или воздействия на окружающие структуры, особенно на хиазму зрительного нерва.

По сравнению со стандартными компьютерными томографиями головного мозга, МРТ-изображения содержат большой диапазон контраста тканей 7,8,9. Таким образом, разработка регулярного метода автоматической сегментации опухолей головного мозга будет иметь первостепенное значение для правильной диагностики и лечения этих пациентов. Таким образом, разработка надежной автоматической методики сегментации опухолей головного мозга будет иметь чрезвычайно важное значение для правильной диагностики и лечения этих пациентов. Эти интеллектуальные методы помогут нейрохирургам и радиологам лучше оценить объем, форму опухоли и более точно определить границу между опухолью и прилегающими нормальными тканями.

Машинное обучение может быть полезным для определения типа и наличия опухолей головного мозга, но требует большего вмешательства человека, поскольку его модели являются прогностическими. Модели глубокого обучения, напротив, могут обучаться и обнаруживать особенности благодаря нейронным сетям, что станет сутью полностью автоматизированного процесса обнаружения. Многие методы машинного обучения (ML) были разработаны для радиологов, чтобы они получали необычные видения во время распознавания и классификации MR-изображений. Наиболее эффективным методом среди целого сегмента методов обнаружения рака является медицинская визуализация. Эти методики полезны в выявлении и выявлении злокачественных новообразований. Эта методология имеет решающее значение, потому что она не имеет инвазивного характера, как в других медицинских практиках. Процедуры не являются инвазивными 10,11,12. Новизна данной работы заключается в том, что она предлагает уникальную среду на основе DL для автоматической, точной и эффективной многоклассовой категоризации и классификации опухолей головного мозга с использованием изображений МРТ, что снижает потребность в ручной интерпретации.

Авторами предложены модели классификации опухолей головного мозга с использованием подходов извлечения признаков nLBP и LBP. Модели точно охарактеризовали наиболее распространенные типы рака головного мозга. Максимальная точность в 95,56% была достигнута при использовании схемы извлечения признаков nLBPD = 1 с моделью KNN11. Авторы рассмотрели клиническое применение глубокого обучения (DL) в рентгенографии и задокументировали операции, связанные сэтой областью. Они подчеркнули клиническое применение ДЛ в нескольких клинических областях. ДО продемонстрировала удовлетворительные результаты в некоторых радиологических реализациях, но технология еще не достигла зрелости и не может заменить профессию рентгенолога-диагноста14. Сочетание алгоритмов дистанционного обучения с алгоритмами радиологов повышает эффективность и результативность диагностики. МРТ была оценена в многочисленных исследованиях на предмет ее возможного применения в классификации опухолей головного мозга с помощью различных исследовательских дизайнов.

Afshar et al. предложили улучшенную архитектуру CapsNet для классификации основных опухолей головного мозга с 3064 изображениями со вспомогательными входными областями, представляющими интерес, за счет применения границ опухоли для вложения больших усилий и улучшения других методов до точности 90,89%15. Gumaei et al. предложили гибридный метод экстракции признаков для классификации опухолей головного мозга с помощью RELM. Авторы нормализовали изображение мозга с использованием нормализации min-max и использовали RELM для классификации, чтобы достичь точности 94,23%16. Интегрированная схема с использованием сегментации и классификации опухолей головного мозга с помощью МРТ была предложена Rezaei et al. Были использованы следующие шаги: удаление шума, сегментация с помощью метода опорных векторов (SVM), извлечение признаков и выбор признаков с помощью DE. Срезы опухоли классифицировали с помощью классификаторов WSVM, KNN и HIK-SVM. Классификаторы, использующие ансамблевые методы на основе MODE, достигли точности 92,46%17. Fouad et al. предложили классификацию опухоли головного мозга с помощью дескрипторов признаков HDWT-HOG и WOA для редукции признаков. В методе использовались ансамблевые методы с Бэггингом. При использовании Bagging средняя точность составила 96,4%, а при использовании Boosting достигнуто значение 95,8%18.

Айяди и др. представили процесс классификации опухолей головного мозга с использованием таких методов, как нормализация и плотные ускоренные робастные признаки с градиентной гистограммой, повышение качества поиска изображений и результирующее развитие дискриминирующих признаков. Был использован классификатор SVM, и соответствующая точность достигла высокого уровня до 90,27% с оценочным набором данных19. Srujan et al. представили шестнадцатиуровневую архитектуру DL сверточной нейронной сети (CNN), которая сочетает в себе функции активации, такие как ReLU и оптимизатор Адама, для достижения точности классификации 95,36%20. Tejaswini et al. разработали модель СНС для диагностики менингиомы, глиомы и рака гипофиза головного мозга, которая достигла точности валидации 87,16% и точности обучения 92,79%. Область опухоли также была сегментирована с помощью порогового значения Оцу, нечетких кмедиа и методов водораздела21. Huang et al. представили CNN-BCN для классификации рака мозга. Сетевая архитектура была спроектирована с использованием метода случайных графов и достигла целевой точности до 95,49%22. Ghassemi et al. разработали модель DL для классификации изображений опухолей головного мозга23. Мощные функции и шаблоны обучения были получены на основе МР-изображений с использованием предварительно обученных сетей в качестве дискриминаторов GAN. Основанный на пятикратной перекрестной проверке, подход достиг точности 95,6% за счет замены таких методов, как увеличение и отсев данных на полностью связные слои. Deepak et al. объединили SVM с CNN для классификации изображений опухолей головного мозга. По результатам тестирования с использованием пятикратного протокола перекрестной проверки автоматизированная система достигла точности 95,82%, превосходящей другие методики24. Норин и др. использовали предварительно обученные и точно настроенные сети, такие как Xception и InceptionV3, для идентификации рака мозга. В этих моделях использовался широкий спектр методов машинного обучения, таких как RF, SVM и KNN, для достижения точности 94,34% с ансамблем InceptionV325.

Шейк и др. классифицировали опухоли головного мозга в обработке медицинских изображений и представили подход Мане, который отдает приоритет опухолям, объединяя пространство и кросс-канальный внимание, сохраняя при этом временные связи между каналами. В задаче классификации первичной опухоли головного мозга точность подхода составила 96,51%26. Ахмад и др. создали глубокую генеративную нейронную сеть для классификации опухолей головного мозга. Технология использовала ВАЭ и ГАН для достижения 96,25% точности на МР-изображениях опухоли головного мозга27,28. Модель DL была представлена Alanazi et al. для идентификации подтипов опухолей головного мозга. Метод включал в себя создание нескольких моделей СНС и применение трансферного обучения для точной настройки весов 22-слойной модели СНС. Модель достигла точности МРТ-изображений 95,75 процента и 96,89 процента соответственно29,30. Алмалки и его коллеги применили метод машинного обучения к МРТ для быстрого анализа тяжести четырех типов опухолей головного мозга. Разбивка МРТ на изображения размером 8 x 8 пикселей позволила извлечь гауссовы и нелинейные масштабные характеристики, а также мельчайшие детали. Важные характеристики были идентифицированы, разделены на 400 нелинейных масштабных признаков и объединены с каждым МР-изображением. Они использовали классификатор SVM и достигли точности 95,33% 31,32. Kumar et al. сравнили три модели СНС, а именно InceptionV3, AlexNet и ResNet50, для классификации первичной опухоли и использовали методы аугментации данных. AlexNet обошел других по специфичности и точности, набрав 96,2%33 балла.

Улла и др. углубляются в модели более глубокого обучения для диагностики опухолей головного мозга. DeepEBTDNet улучшает качество МРТ за счет применения DSIHE и обеспечения интерпретируемости с помощью LIME34,35. TumorResNet с 20 сверточными слоями, который используется для достижения точности классификации 99,33%, представляет собой последовательный, автоматизированный метод ранней диагностики опухолей головного мозгаи планирования лечения. Кумар и др. представили несколько усовершенствованных архитектур DL для классификации и обнаружения опухолей головного мозга. Модель PBTC сочетает в себе предварительную обработку МРТ, сегментацию ACLS и оптимизированный для OHBO HRNN-BiLSTM для достижения точности 97,8%37. Двухканальная СНС с вейвлет-преобразованием Беркли и улучшенной оптимизацией сервала достигает точности 98,8% для четырех типов опухолей38. Disci et al. используют данные МРТ для оценки предварительно обученных моделей DL для классификации опухолей головного мозга и достигают точности 98,73% с Xception39.

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

Protocol

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

Описание набора данных и исследовательский анализ
Набор данных состоит из нескольких источников для повышения надежности и точности модели. Merged_dataset содержит 20 620 изображений из наборов данных A (3 054), B (3 264), C (10 000) и D (4 292). Кроме того, было добавлено 1425 изображений из набора данных Брэда для степеней опухоли глиомы (HGG, LGG). Этот разнообразный набор данных обеспечит лучшее обобщение, уменьшит смещения и повысит производительность модели. Большой набор данных позволяет проводить всесторонние оценки, и, таким образом, существует более высокая вероятность получения правильных прогнозов в реальных приложениях задач классификации.

В этом исследовании использовались два различных набора данных. В период с 2005 по 2010 год первый из них был приобретен у больницы Наньфан и больницы общего профиля Тяньцзинского медицинского университета в Китае. В коллекцию включены Т1-взвешенные изображения с контрастным усилением от 233 человек с опухолями, а также глиомой II и III степени. Набор данных предлагает очень полное распределение категорий опухолей и общий анализ данных. Для глиомы высокой степени злокачественности (HGG) доступно 1050 изображений, а для глиомы низкой степени злокачественности (LGG) — 375 изображений, что означает, что больше внимания уделяется более тяжелым случаям (HGG).

На рисунке 1 показаны снимки МРТ, которые подразделяются на три типа опухолей головного мозга. Каждая строка относится к одному типу опухоли, и для каждой категории есть три образца изображений. Сканы имеют различные характеристики в различных ориентациях и видах, включая аксиальную, сагиттальную и корональную. Образцы глиомы имеют неправильную структуру, которая проникает в ткани мозга. Образцы менингиомы проявляются в виде локализованных образований у поверхности мозга, а образцы опухолей гипофиза расположены вблизи центра мозга. Эти примеры демонстрируют изменчивость внешнего вида опухоли, тем самым помогая обучать модели машинного обучения точному обнаружению, а также классификации опухолей при анализе медицинских изображений.

figure-protocol-1
Рисунок 1: МРТ опухолей. МРТ менингиомы, глиомы и опухолей гипофиза в аксиальной, сагиттальной и корональной проекциях, подчеркивающая различные характеристики изображения. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этой цифры.

Глиома имеет наибольшее количество изображений, которое составляет чуть более 6000. Менингиома имеет около 6000 изображений, в то время как гипофиз имеет почти столько же изображений, сколько менингиома. По-видимому, существует почти равное разделение между тремя категориями, что означает, что каждый из типов опухолей хорошо представлен для обучения или любого анализа. Глиома имеет самый большой медианный размер файла, хотя менингиома имеет более ограниченный диапазон и больше выбросов. Умеренная дисперсия гипофиза содержит несколько очевидных выбросов. Каждая категория содержит действительно огромные размеры файлов.

На рисунке 2 показан PCA для трех типов опухолей. Главный компонент 1 улавливает наибольшую дисперсию и значительно отделяет гипофиз (правый кластер) от остальных. Глиомы и менингиомы накладываются друг на друга слева, что указывает на то, что их характеристики сопоставимы и что их сепарабельность уменьшается.

figure-protocol-2
Рисунок 2: PCA функций образа. Анализ главных компонент выделенных признаков, дифференцирующих классы глиомы, менингиомы и опухоли гипофиза. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этой цифры.

Тепловая карта корреляции, показанная на рисунке 3 , показывает отношения между атрибутами метаданных изображения: File_Size, высотой и шириной. File_Size показывает очень низкую корреляцию как с высотой (-0,01), так и с шириной (0,0039).

figure-protocol-3
Рисунок 3: Корреляционная тепловая карта метаданных. Тепловая карта, показывающая связи между атрибутами метаданных изображения, такими как размер файла, высота и ширина. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этой цифры.

Высота и ширина также показывают очень низкую положительную корреляцию 0,0039. Диагональные значения равны 1, что указывает на идеальную корреляцию каждой переменной с самой собой. Как правило, атрибуты в основном не коррелированы, что означает независимые вариации размера файла, высоты и ширины изображения.

Методология и предлагаемая архитектура
Рабочий процесс, который систематически обнаруживает, классифицирует и анализирует опухоли головного мозга на основе данных МРТ, представлен на рисунке 4. Методология включает в себя передовые методы предварительной обработки, сегментации и DL для обеспечения надежного прогнозирования и классификации опухолей.

figure-protocol-4
Рисунок 4: Рабочий процесс предлагаемой методологии. Пошаговый рабочий процесс для обнаружения, классификации и анализа опухолей с использованием данных МРТ. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этой цифры.

Процесс начинается с интеграции нескольких наборов данных (обозначенных как A, B, C и D). Затем наборы данных объединяются в один комплексный набор данных для получения целостных данных. Он также включает в себя набор данных Brad для сегментации, кластеризации и классификации изображений. Объединенный набор данных включает в себя добавление всех изображений в каждом наборе данных и объединенных каталогах, что обеспечивает всеобъемлющий и унифицированный набор данных для дальнейшего анализа и разработки модели с несколькими классификациями.

Во-вторых, завершается предварительная обработка, что является важным шагом в повышении качества и вариативности данных. К исходным изображениям МРТ применяются девять процессов аугментации для повышения производительности модели и разнообразия наборов данных. Изменение размера изображения до общего размера гармонизирует их, а преобразование RGB в оттенки серого упрощает обработку. Переключение по горизонтали/вертикали повышает надежность, а вращение с масштабированием имитирует различные условия изображения. Использование фильтрации по методу Собеля повышает остроту характеристик, а добавление шума улучшает вариативность. Маскирование нерезкости повышает четкость изображения, а смещение по высоте и ширине добавляет вариации положения. Каждый из них в сочетании повышает обобщаемость модели и точность классификации. Все это гарантирует, что модель обобщает широкий спектр ситуаций визуализации. Всего имеется 20 620 изображений МРТ, а общее количество изображений, использованных для разработки модели, после предварительной обработки дает 185 580 изображений.

Затем объединенный набор данных сегментируется с помощью модели U-Net, которая широко используется в медицинской визуализации. Архитектура точно настроена и обучена для идентификации опухолевых областей с помощью МРТ-сканирования. На этом этапе получаются замаскированные изображения, которые выделяют опухоль и устраняют ненужные детали. Сегментация изображений обеспечивает более качественные входные данные для классификации и анализа.

На следующем этапе эти модели будут точно настроены для категоризации изображений по различным классам, используя трансферное обучение для повышения точности при одновременном сокращении времени обучения. Для классификации используется ряд предварительно обученных моделей глубокого обучения, каждая из которых обладает особыми преимуществами. Благодаря простоте использования и эффективности в категоризации изображений, VGG16 и VGG19 используются часто. Обладая оптимальной вычислительной эффективностью, EfficientNetB0 и EfficientNetB7 обеспечивают высочайшую производительность. Более глубокая архитектура ResNet101 повышает точность классификации за счет эффективного захвата сложных шаблонов. После этого точный диагноз обеспечивается за счет классификации данных МРТ обученными алгоритмами по четырем классификациям опухолей. Глиальные клетки являются источником опухолей глиомы, которые нарушают функцию мозга. Опухоли менингиомы развиваются в мозговых оболочках, которые являются защитными слоями головного и спинного мозга. Гипофиз является местом возникновения опухолей гипофиза, которые влияют на гормональный баланс и физиологические процессы.

Затем, чтобы помочь в точной диагностике, используются методы кластеризации, такие как K-ближайшие соседи (KNN), для прогнозирования степени опухоли. Третья и четвертая степени глиомы высокой степени злокачественности (HGG) указывают на тяжелое развитие опухоли. 1 и 2 степени низкодифференцированной глиомы (LGG) являются медленно растущими, менее агрессивными опухолями соответственно. Эта классификация имеет важное значение для установления агрессивности опухоли и, следовательно, для непосредственного клинического лечения.

Наконец, чтобы оценить эффективность моделей категоризации, они сопоставляются по важным критериям. Их эффекты оцениваются, чтобы установить, повысили ли эффективность модели стратегии дополнения и сегментации. Чтобы гарантировать надежность и эффективность, производительность также проверяется на различных наборах данных, а точность классификации сравнивается с самыми передовыми моделями.

Рабочий процесс объединяет подготовку данных, предварительную обработку, сегментацию, классификацию и оценивание в единую структуру. Он повышает точность обнаружения и классификации опухолей головного мозга за счет применения передовых методов DL и тщательной предварительной обработки. Включение классификации опухолей еще больше способствует принятию клинических решений, что делает эту систему комплексной для анализа опухолей.

figure-protocol-5
Рисунок 5: Фреймворк глубокого обучения. Предложена структура классификации опухолей головного мозга с использованием моделей глубокого обучения. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этой цифры.

На рисунке 5 показана архитектура в связи с системой классификации медицинских изображений, которая идентифицирует опухоли головного мозга с помощью передовых вычислительных методов, таких как глубокое обучение. Он начинается с сбора изображений МРТ, которые засекречиваются. Таким образом, это станет основой для процесса классификации. Затем входные данные поступают в модуль предварительной обработки данных, в котором осуществляется нормализация или изменение размера и увеличение изображения, а также удаление шума. Предварительная обработка стандартизирует входные изображения, чтобы максимально эффективно использовать этапы обучения модели. Весь этап заключается в подготовке к прохождению последующих этапов с интенсивными вычислениями. После этапа предварительной обработки данные подаются в модуль извлечения признаков. В этом случае использование вычислительных методов или моделей, возможно, моделей DL, таких как СНС, может быть использовано для идентификации особенностей изображений. Выделяемые признаки могут включать в себя паттерны, указывающие на аномалии или характеристики опухоли. Затем этот набор признаков вводится в модель классификации. Учитывая, что это, вероятно, будет направлено на различение различных классов, которые включают в себя существование или несуществование опухоли и тип опухоли, модель полагается на довольно сложную архитектуру, вероятно, Inception-ResNet-v2, среди прочих, для точных прогнозов. Он определяет, существует ли опухоль на отсканированном изображении мозга. Эта ступень классификации подразделяется на «Опухоль» и «Без опухоли». Когда опухоль обнаружена, система классифицирует тип опухоли как глиому, менингиому или гипофиз. Каждый из этих типов имеет характеристики, которые модель распознает с помощью извлеченных признаков. Для выявленных опухолей затем определяется степень опухоли. Степени варьируются от 1 до 4, что указывает на тяжесть и прогрессирование опухоли. Степень 1 является наименее агрессивной, в то время как степень 4 является наиболее серьезной. Эта классификация помогает в медицинской диагностике и планировании лечения. Конечные результаты включают отсутствие или наличие опухоли, ее тип и степень. Такие результаты очень ценны для клинического применения для принятия решений по уходу и лечению пациентов.

Этот процесс представляет собой интегрированный конвейер для анализа медицинских изображений и классификации типов опухолей. Начиная с необработанных данных, он последовательно проходит через подготовительные данные, извлечение признаков и классификацию. Система определяет, действительно ли у него есть опухоль, указывает ее тип, а также сообщает степень тяжести или степени. Этот конвейер, использующий более сложные формы вычислений, оптимизирует диагностику в медицинской визуализации, чтобы оценки опухолей головного мозга могли быть более быстрыми и точными. Модульный рабочий процесс обеспечивает гибкость, при этом компоненты могут быть оптимизированы отдельно для повышения производительности.

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

Results

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

В учебной среде используется графический процессор Kaggle NVIDIA Tesla T4, что способствует эффективному обучению моделей. Важными библиотеками являются TensorFlow, PyTorch, Keras, NumPy и Pinecone, которые обеспечивают надежные конвейеры глубокого обучения. DenseNet201, InceptionV3 и Inception-ResNet-v2 были выбраны из-за их продемонстрированной эффективности в медицинской визуализации. Эти конструкции обеспечивают глубокое извлечение признаков, надежный градиентный поток и гибридные преимущества, которые повышают точно...

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

Discussion

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

Ранняя диагностика опухолей головного мозга может иметь важное значение для спасения жизни человека, поскольку опухоли головного мозга могут быть очень опасными и смертельными. В настоящее время диагностика опухолей полагается на ручную интерпретацию радиологов, что может привести к задержкам и человеческим ошибкам при выявлении злокачественных новообразований на ранних стадиях. Следовательно, в этой статье представлена мультиклассификационная модель диагностики опухолей головного мозга,...

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

Disclosures

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

У авторов нет конфликта интересов, о котором можно было бы заявить.

Acknowledgements

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

Никакой

ВКЛАД АВТОРА:
Концептуализация, А.К.; курирование данных, а.к.; формальный анализ, A.K., M.U. и D.G.; расследование, А.К.; методология, А.К.; надзор, М.У. и Д.Г.; валидация, A.K., M.U. и D.G.; визуализация, А.К. и М.У.; написание оригинального проекта, А.К. и М.У.; написание рецензий и редактирование, A.K., M.U. и 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
fastTextИИ FacebookН/ДСловесное представление и классификация
Google ColabГуглН/ДОблачная среда Jupyter Notebook
Google Colab GPU/TPUГуглН/ДАппаратное ускорение на основе облака
Intel Core i5/i7 или AMD Ryzen 5/7Intel / AMDН/ДПроцессор для локального выполнения (при необходимости)
MatplotlibОткрытый исходный кодН/ДБиблиотека визуализации данных
НЛТКОткрытый исходный кодН/ДНабор инструментов для обработки текста на естественном языке
НумПиОткрытый исходный кодН/ДБиблиотека численных вычислений
NVIDIA GTX 1650 или выше (опционально)НДВОН/ДGPU для задач глубокого обучения
ПандыОткрытый исходный кодН/ДБиблиотека для работы с данными
Python Python Software FoundationН/ДЯзык программирования для ML и NLP
PyTorchМета ИИН/ДФреймворк глубокого обучения
Оперативная память (минимум 8 ГБ, рекомендуется 16 ГБ)РазличныйН/ДТребования к памяти для задач машинного обучения
Scikit-learnОткрытый исходный кодН/ДБиблиотека машинного обучения
СиборнОткрытый исходный кодН/ДВизуализация статистических данных
ОшалевшиеВзрывной ИИН/ДИндустриальная библиотека NLP
SSD-накопитель (минимум 256 ГБ, рекомендуется 512 ГБ)РазличныйН/ДХранилище для обработки наборов данных
ТензорФлоуГуглН/ДФреймворк глубокого обучения

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