Медицинская радиология и радиационная безопасность. 2024. Том 69. № 3

DOI:10.33266/1024-6177-2024-69-3-81-85

Муайед Ф. Аль-Рави, Изз К. Аббуд и Насир А. Аль-Авад

НОВЫЙ ПОДХОД НА ОСНОВЕ ТРАНСФЕРНОГО ГЛУБОКОГО ОБУЧЕНИЯ ДЛЯ ПРОГНОЗИРОВАНИЯ ОПУХОЛЕЙ ГОЛОВНОГО МОЗГА

Инженерный колледж Университета Мустансирия, Багдад, Ирак

Контактное лицо: Муайед Ф. Аль-Рави, e-mail: Этот адрес электронной почты защищен от спам-ботов. У вас должен быть включен JavaScript для просмотра.

РЕФЕРАТ

Опухоль головного мозга – это аномальное скопление клеток в головном мозге, которое потенциально может представлять угрозу для жизни из-за способности клеток проникать в близлежащие органы и давать метастазы. Правильно диагностировав это потенциально смертельное заболевание, можно спасти жизни. За последние несколько лет функциональность приложений глубокого обучения при автоматическом распознавании МРТ-изображений опухолей головного мозга заметно расширилась. В результате усовершенствование архитектуры модуля приводит к более точному отображению отслеживаемой конфигурации. Благодаря предоставлению надежных наборов данных, в классификации опухолей с помощью алгоритмов глубокого обучения был достигнут значительный прогресс. Цель статьи – использовать алгоритмы модуля переноса для прогнозирования опухолей головного мозга. К таким модулям относятся MobileNet, VGG19, InceptionResnetV2, Inception и DenseNet201. В предлагаемом модуле используются три основных оптимизатора: Adam, SGD и RMSProp. Результаты моделирования показывают, что предварительно обученный модуль MobileNet с оптимизатором RMSProp превзошел все другие оцененные модули. В дополнение к минимальному времени, затрачиваемому на вычисления, он обеспечил точность в 99,6 %, чувствительность в 99,4 % и специфичность в 100 %.

Ключевые слова: медицинские изображения, опухоль головного мозга, автоматическое распознавание, машинное и глубокое обучение, компьютерное зрение, МРТ

Для цитирования: Муайед Ф. Аль-Рави, Изз К. Аббуд и Насир А. Аль-Авад. Новый подход на основе трансферного глубокого обучения для прогнозирования опухолей головного мозга // Медицинская радиология и радиационная безопасность. 2024. Т. 69.
№ 3. С. 81–85. DOI:10.33266/1024-6177-2024-69-3-81-85

Список литературы

1. Mzoughi H., et al. Deep Multi-Scale 3d Convolutional Neural Network (CNN) for MRI Gliomas Brain Tumor Classifcation. J. Digit. Imaging. 2020;33;903–915.

2. Muhammad Sjjad, Salman Khan, Khan Muhammad, Wanqing Wu, Amin Ullah, Sung Wook Baik. Multigrade Brain Tumor Classification Using Deep CNN with Extensive Data Augmentation. Elsevier. Journal of Computational Science. 2019;30:174-182. 

3. Amin Kabir Anaraki, Moosa Ayati, Foad Kazemi. Magnetic Resonance Imaging-Based Brain Tumor Grades Classification and Grading Via Convolutional Neural Networks and Genetic Algorithms. Elsevier. Biocybergenetics and Biomedical Engineering. 2019;39:63-74. 

4. Deepak P.M. Ameer. Brain Tumor Classification Using Deep CNN Features Via Transfer Learning. Elsevier. Computers in Biology and Medicine. 2019;111:1-7. 

5. R.Vimal Kurup, V.Sowmya, K.P.Soman. Effect of Data Pre-processing on Brain Tumor Classification Using Capsulenet. Springer. ICICCT System Reliability, Quality Control, Safety, Maintenance and Management. 2019:110-119.

6. Zar Nawab Khan Swati, Qinghua Zhao, Muhammad Kabir, Farman Ali, Zakir Ali, Saeed Ahmed, Jianfeng Lu. Brain Tumor Classification for MR Images Using Transfer Learning and Finetuning. Elsevier. Computerized Medical Imaging and Graphics. 2019;75:34-46. 

7. Nyoman Abiwinanda, Muhammad Hanif, S. TafwidaHesaputra, Astri Handayani, Tati Rajab Mengko. Brain Tumor Classification Using Convolutional Neural Network. Springer. World Congress on Medical Physics and Biomedical Engineering. 2018:183-189. 

8. F.P.Polly, S.K.Shil, M.A.Hossain, A.Ayman, Y.M.Jang. Detection and Classification of HGG and LGG Brain Tumor Using Machine Learning. IEEE. International Conference on Information Networking (ICOIN), 2018. 

9. Heba Mohsen, El-Sayed A.El-Dahshan, El-Sayed M.El-Horbaty, Abdel-Badeeh M.Salem. Classification Using Deep Learning Neural Networks for Brain Tumors. Elsevier. Future Computing and Informatics Journal. 2018;3:68-71. 

10. Garima Singh, Dr M.A.Ansari. Efficient Detection of Brain Tumor from MRIs Using K-Means Segmentation and Normalized Histogram. IEEE. 1st India International Conference on Information Processing (IICIP), 2016. 

11. Parnian Afshar, Konstantinos N. Plantaniotis, Arash Mohammadi. Capsule Networks for Brain Tumor Classification Based on MRI Images Coarse Tumor Boundaries. IEEE. International Conference on Acoustics, Speech and Signal Processing, 2019.

12. https://www.kaggle.com/datasets/ahmedhamada0/braintumor-detection. 

 PDF (RUS) Полная версия статьи

Конфликт интересов. Авторы заявляют об отсутствии конфликта интересов.

Финансирование. Исследование не имело спонсорской поддержки.

Участие авторов. Cтатья подготовлена с равным участием авторов.

Поступила: 20.01.2024. Принята к публикации: 27.02.2024.