Розробка сегментації пухлин головного мозку при магнітно-резонансній томографії (МРТ) з використанням глибокого навчання U-Net

Автор(и)

DOI:

https://doi.org/10.15587/1729-4061.2021.238957

Ключові слова:

магнітно-резонансна томографія (МРТ), глибоке навчання, згорткова нейронна мережа (ЗНМ), архітектура 3D U-Net, пухлини головного мозку, сегментації

Анотація

Пухлини головного мозку – це зростання аномальних клітин або утворення в головному мозку. Було виявлено безліч видів пухлин мозку, які потребують точних та ранніх методів виявлення. В даний час більшість методів діагностики та виявлення засновані на рішенні неврологів і рентгенологів оцінювати зображення головного мозку, що може займати багато часу і приводити до людських помилок. У даній статті пропонується надійна модель згорткової нейронної мережі (ЗНМ) глибокого навчання U-Net, яка може класифікувати наявність або відсутність пухлини на основі магнітно-резонансної томографії (МРТ) головного мозку з прийнятною точністю для застосування в медицині. В ході дослідження була побудована і навчена архітектура ЗНМ 3D U-Net, включаючи відносини кодування/декодування, для виконання сегментації пухлини головного мозку, оскільки для цього потрібно менше навчальних зображень і забезпечується більш точна сегментація. Алгоритм складається з трьох частин: перша частина, частина понижувальної дискретизації, частина вузького місця і оптимальна частина. Отримані семантичні відображення вставляються у фракцію декодера для отримання імовірнісних діаграм повної роздільної здатності. Розроблена архітектура U-Net була застосована до набору даних сегментації пухлин головного мозку при МРТ-скануванні в MICCAI BraTS 2017. Результати з використанням набору інструментів на основі Matlab показують, що запропонована архітектура була успішно оцінена і випробувана для наборів даних МРТ сегментації пухлин головного мозку, включаючи 336 зображень в якості навчальних даних і 125 зображень для перевірки. Дана робота продемонструвала порівняльну продуктивність і успішну здійсненність реалізації архітектури ЗНМ U-Net в автоматизованій системі сегментації пухлин головного мозку в МРТ-зрізах з відновленням інверсії з ослабленням рідини (FLAIR). Розроблена модель ЗНМ U-Net успішно виконала завдання сегментації пухлини головного мозку для класифікації вхідних зображень мозку як пухлина чи ні на основі набору даних МРТ.

Біографії авторів

Wasan M. Jwaid, University of Thi-Qar

Assistant Teacher

Department of Banking and Finance Administration and Economics

Zainab Shaker Matar Al-Husseini, Imam Ja'afar Al-Sadiq University

Assistant Teacher

Department of Computer Technology Engineering

College of Information Technology

Ahmad H. Sabry, Universiti Tenaga Nasional

Doctor of Control and Automation Engineering

Department of Institute of Sustainable Energy

Посилання

  1. Zwanenburg, J. J. M., Hendrikse, J., Visser, F., Takahara, T., Luijten, P. R. (2010). Fluid attenuated inversion recovery (FLAIR) MRI at 7.0 Tesla: comparison with 1.5 and 3.0 Tesla. European Radiology, 20 (4), 915–922. doi: https://doi.org/10.1007/s00330-009-1620-2
  2. Zeineldin, R. A., Karar, M. E., Coburger, J., Wirtz, C. R., Burgert, O. (2020). DeepSeg: deep neural network framework for automatic brain tumor segmentation using magnetic resonance FLAIR images. International Journal of Computer Assisted Radiology and Surgery, 15 (6), 909–920. doi: https://doi.org/10.1007/s11548-020-02186-z
  3. Sun, L., Zhang, S., Chen, H., Luo, L. (2019). Brain Tumor Segmentation and Survival Prediction Using Multimodal MRI Scans With Deep Learning. Frontiers in Neuroscience, 13. doi: https://doi.org/10.3389/fnins.2019.00810
  4. Kulkarni, S. M., Sundari, G. (2020). A Framework for Brain Tumor Segmentation and Classification using Deep Learning Algorithm. International Journal of Advanced Computer Science and Applications, 11 (8). doi: https://doi.org/10.14569/ijacsa.2020.0110848
  5. Al-qazzaz Salma, Sun, X., Yang, H., Yang, Y., Xu, R., Nokes, L., Yang, X. (2020). Image classification-based brain tumour tissue segmentation. Multimedia Tools and Applications, 80 (1), 993–1008. doi: https://doi.org/10.1007/s11042-020-09661-4
  6. Cui, S., Mao, L., Jiang, J., Liu, C., Xiong, S. (2018). Automatic Semantic Segmentation of Brain Gliomas from MRI Images Using a Deep Cascaded Neural Network. Journal of Healthcare Engineering, 2018, 1–14. doi: https://doi.org/10.1155/2018/4940593
  7. Mlynarski, P., Delingette, H., Criminisi, A., Ayache, N. (2019). 3D convolutional neural networks for tumor segmentation using long-range 2D context. Computerized Medical Imaging and Graphics, 73, 60–72. doi: https://doi.org/10.1016/j.compmedimag.2019.02.001
  8. Ruba, T., Tamilselvi, R., Beham, M. P., Aparna, N. (2020). Accurate Classification and Detection of Brain Cancer Cells in MRI and CT Images using Nano Contrast Agents. Biomedical and Pharmacology Journal, 13 (03), 1227–1237. doi: https://doi.org/10.13005/bpj/1991
  9. Sun, J., Chen, W., Peng, S., Liu, B. (2019). DRRNet: Dense Residual Refine Networks for Automatic Brain Tumor Segmentation. Journal of Medical Systems, 43 (7). doi: https://doi.org/10.1007/s10916-019-1358-6
  10. Sajid, S., Hussain, S., Sarwar, A. (2019). Brain Tumor Detection and Segmentation in MR Images Using Deep Learning. Arabian Journal for Science and Engineering, 44 (11), 9249–9261. doi: https://doi.org/10.1007/s13369-019-03967-8
  11. Farahani, A., Mohseni, H. (2020). Medical image segmentation using customized U-Net with adaptive activation functions. Neural Computing and Applications, 33 (11), 6307–6323. doi: https://doi.org/10.1007/s00521-020-05396-3
  12. Naser, M. A., Deen, M. J. (2020). Brain tumor segmentation and grading of lower-grade glioma using deep learning in MRI images. Computers in Biology and Medicine, 121, 103758. doi: https://doi.org/10.1016/j.compbiomed.2020.103758
  13. Abdelhafiz, D., Bi, J., Ammar, R., Yang, C., Nabavi, S. (2020). Convolutional neural network for automated mass segmentation in mammography. BMC Bioinformatics, 21 (S1). doi: https://doi.org/10.1186/s12859-020-3521-y
  14. Rao, S., Lingappa, B. (2019). Image Analysis for MRI Based Brain Tumour Detection Using Hybrid Segmentation and Deep Learning Classification Technique. International Journal of Intelligent Engineering and Systems, 12 (5), 53–62. doi: https://doi.org/10.22266/ijies2019.1031.06
  15. Yuvaraj, D., Noori, S. F., Swaminathan, S. (2021). Multi-perspective scaling convolutional neural networks for high-resolution MRI brain image segmentation. Materials Today: Proceedings. doi: https://doi.org/10.1016/j.matpr.2020.12.199
  16. Mzoughi, H., Njeh, I., Slima, M. B., Ben Hamida, A., Mhiri, C., Mahfoudh, K. B. (2020). Towards a computer aided diagnosis (CAD) for brain MRI glioblastomas tumor exploration based on a deep convolutional neuronal networks (D-CNN) architectures. Multimedia Tools and Applications, 80 (1), 899–919. doi: https://doi.org/10.1007/s11042-020-09786-6
  17. Rajasree, R., Columbus, C. C., Shilaja, C. (2020). Multiscale-based multimodal image classification of brain tumor using deep learning method. Neural Computing and Applications, 33 (11), 5543–5553. doi: https://doi.org/10.1007/s00521-020-05332-5
  18. Ronneberger, O., Fischer, P., Brox, T. (2015). U-Net: Convolutional Networks for Biomedical Image Segmentation. Medical Image Computing and Computer-Assisted Intervention – MICCAI 2015, 234–241. doi: https://doi.org/10.1007/978-3-319-24574-4_28

##submission.downloads##

Опубліковано

2021-08-31

Як цитувати

Jwaid, W. M., Al-Husseini, Z. S. M., & Sabry, A. H. . (2021). Розробка сегментації пухлин головного мозку при магнітно-резонансній томографії (МРТ) з використанням глибокого навчання U-Net. Eastern-European Journal of Enterprise Technologies, 4(9(112), 23–31. https://doi.org/10.15587/1729-4061.2021.238957

Номер

Том 4 № 9(112) (2021): Інформаційно-керуючі системи

Розділ

Інформаційно-керуючі системи

Ліцензія

Авторське право (c) 2021 Wasan M. Jwaid, Zainab Shaker Matar Al-Husseini, Ahmad H. Sabry

Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.

Закріплення та умови передачі авторських прав (ідентифікація авторства) здійснюється у Ліцензійному договорі. Зокрема, автори залишають за собою право на авторство свого рукопису та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons CC BY. При цьому вони мають право укладати самостійно додаткові угоди, що стосуються неексклюзивного поширення роботи у тому вигляді, в якому вона була опублікована цим журналом, але за умови збереження посилання на першу публікацію статті в цьому журналі.

Ліцензійний договір – це документ, в якому автор гарантує, що володіє усіма авторськими правами на твір (рукопис, статтю, тощо).
Автори, підписуючи Ліцензійний договір з ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР», мають усі права на подальше використання свого твору за умови посилання на наше видання, в якому твір опублікований. Відповідно до умов Ліцензійного договору, Видавець ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР» не забирає ваші авторські права та отримує від авторів дозвіл на використання та розповсюдження публікації через світові наукові ресурси (власні електронні ресурси, наукометричні бази даних, репозитарії, бібліотеки тощо).
За відсутності підписаного Ліцензійного договору або за відсутністю вказаних в цьому договорі ідентифікаторів, що дають змогу ідентифікувати особу автора, редакція не має права працювати з рукописом.
Важливо пам’ятати, що існує і інший тип угоди між авторами та видавцями – коли авторські права передаються від авторів до видавця. В такому разі автори втрачають права власності на свій твір та не можуть його використовувати в будь-який спосіб.