(44-2) 17 * << * >> * Русский * English * Содержание * Все выпуски

 PDF, 1292 kB

DOI: 10.18287/2412-6179-CO-671

Страницы: 266-273.

Аннотация:
В работе сравниваются подходы для автоматического обнаружения различимых невооружённым глазом областей патологических изменений на изображениях МРТ головного мозга. В статье проанализированы многоэтапные подходы для диагностики видимых патологических изменений головного мозга на магнитно-резонансных томограммах, основанные на глубоком обучении и на пороговой обработке. Была сформирована свёрточная нейронная сеть, построен классификатор, основанный на применении ансамбля решающих деревьев, был создан алгоритм для многоэтапной обработки изображений. В результате экспериментальных исследований было установлено, что наиболее эффективным методом распознавания изображений магнитно-резонансной томографии является подход, основанный на ансамбле решающих деревьев. С его помощью 95 % изображений из контрольной выборки были классифицированы правильно. При этом с помощью свёрточной нейронной сети удалось классифицировать правильно все изображения, содержащие область патологических изменений. Полученные данные могут найти применение на практике для диагностики заболеваний головного мозга, для автоматизации процесса обработки большого количества исследований магнитно-резонансной томографии.

Ключевые слова:
компьютерное зрение, обработка изображений, магнитно-резонансная томография, классификация, свёрточная нейронная сеть.

Цитирование:
Агафонова, Ю.Д. Эффективность алгоритмов машинного обучения и свёрточной нейронной сети для обнаружения патологических изменений на магнитно-резонансных томограммах головного мозга / Ю.Д. Агафонова, А.В. Гайдель, П.М. Зельтер, А.В. Капишников // Компьютерная оптика. – 2020. – Т. 44, № 2. – С. 266-273. – DOI: 10.18287/2412-6179-CO-671.

Благодарности:
Разработка методов и алгоритмов выполнена при поддержке грантов РФФИ № 19-29-01235 мк и № 19-29-01135 мк, экспериментальные исследования – в рамках госзадания ИСОИ РАН – филиала ФНИЦ «Кристаллография и фотоника» РАН (соглашение № 007-ГЗ/Ч3363/26).

Литература:

1. Telrandhe, S.R. Detection of brain tumor from MRI images by using segmentation & SVM / S.R. Telrandhe, A. Pimpalkar, A. Kendhe // 2016 World Conference on Futuristic Trends in Research and Innovation for Social Welfare (Startup Conclave). – 2016. – 6 p.
2. Kaus, M.R. Automated segmentation of MR images of brain tumors / M.R. Kaus, S.K. Warfield, A. Nabavi, P.M. Black, F.A. Jolesz, R. Kikinis // Radiology. – 2001. – Vol. 218, Issue 2. – P. 586-591.
3. Yang, T. A deep learning model integrating SK-TPCNN and random forests for brain tumor segmentation in MRI / T. Yang, J. Song, L. Li // Biocybernetics and Biomedical Engineering. – 2019. – Vol. 39, Issue 3. – P. 613-623.
   
4. Halder, A. Brain tissue segmentation using improved kernelized rough-fuzzy C-means with spatio-contextual information from MRI / A. Halder, N.A. Talukdar // Magnetic Resonance Imaging. – 2019. – Vol. 62. – P. 129-151.
   
5. He, Y. A 3D dual path U-Net of cancer segmentation based on MRI / Y. He, X. Yu, C. Liu, J. Zhang, K. Hu, H.C. Zhu // 2018 IEEE 3rd International Conference on Image, Vision and Computing (ICIVC). – 2018. – P. 268-272.
   
6. Смелкина, Н.А. Реконструкция анатомических структур на основе статистической модели формы / Н.А. Смел­кина, Р.Н. Косарев, А.В. Никоноров, И.М. Байриков, К.Н. Рябов, А.В. Авдеев, Н.Л. Казанский // Компьютерная оптика. – 2017. – Т. 41, № 6. – С. 897-904. – DOI: 10.18287/2412-6179-2017-41-6-897-904.
   
7. Wadhwa, A. A review on brain tumor segmentation of MRI images / A. Wadhwa, A. Bhardwaj, V.S. Verma // Magnetic Resonance Imaging. – 2019. – Vol. 61. – P. 247-259.
   
8. Гайдель, А.В. Возможности текстурного анализа компьютерных томограмм в диагностике хронической обструктивной болезни / А.В. Гайдель, П.М. Зельтер, А.В. Капишников, А.Г. Храмов // Компьютерная оптика. – 2014. – Т. 38, № 4. – С. 843-850.
   
9. Gaidel, A. Method of automatic ROI selection on lung CT images / A. Gaidel // Procedia Engineering. – 2017. – Vol. 201. – P. 258-264. – DOI: 10.1016/j.proeng.2017.09.612.
   
10. Агафонова, Ю.Д. Локализация области патологических изменений на изображениях МРТ головного мозга / Ю.Д. Агафонова, А.В. Гайдель. – В кн.: Перспективные информационные технологии (ПИТ 2019) / под ред. С.А. Прохорова. – Самара: Самарский научный центр РАН, 2019. – С. 362-365.
    
11. Serra, J. Image analysis and mathematical morphology / J. Serra. – Orlando: Academic Press, 1983. – 610 p.
    
12. Suzuki, S. Topological structural analysis of digitized binary images by border following / S. Suzuki, K.A. Be // Computer Vision, Graphics, and Image Processing. – 1985. – Vol. 30, Issue 1. – P. 32-46.
    
13. Fitzgibbon, A.W. A buyer’s guide to conic fitting / A.W. Fitzgibbon, R.B. Fisher // Proceedings of the 6th British Conference on Machine Vision. – 1995. – Vol. 2. – P. 513-522.
    
14. Sklansky, J. Finding the convex hull of a simple polygon / J. Sklansky // Pattern Recognition Letters. – 1982. – Vol. 1, Issue 2. – P. 79-83.
    
15. Krizhevsky, A. ImageNet classification with deep convolutional neural networks / A. Krizhevsky, I. Sutskever, G.E. Hinton // Communications of the ACM. – 2017. – Vol. 60, Issue 6. – P. 84-90.
    
16. Herrick, R. XNAT Central: Open sourcing imaging research data / R. Herrick, W. Horton, T. Olsen, M. McKay, K.A. Archie, D.S. Marcus // NeuroImage. – 2016. – Vol. 124, Part B. – P. 1093-1096.
    
17. Clark, K. The Cancer Imaging Archive (TCIA): Maintaining and operating a public information repository / K. Clark, B. Vendt, K. Smith, J. Freymann, J. Kirby, P. Koppel, S. Moore, S. Phillips, D. Maffitt, M. Pringle, L. Tarbox, F. Prior // Journal of Digital Imaging. – 2013. – Vol. 26, Issue 6. – P. 1045-1057.
    
18. Breiman, L. Random forests / L. Breiman // Machine Learning. – 2001. – Vol. 45, Issue 1. – P. 5-32.
    
    

---

© 2009, IPSI RAS
Россия, 443001, Самара, ул. Молодогвардейская, 151; электронная почта: ko@smr.ru ; тел: +7 (846) 242-41-24 (ответственный секретарь), +7 (846) 332-56-22 (технический редактор), факс: +7 (846) 332-56-20