Классификация поражений рассеянным склерозом посредством анализа изображений магнитно-резонансной томографии методом глубокого обучения
https://doi.org/10.17586/2226-1494-2024-24-5-824-833
Аннотация
Рассеянный склероз (РС) представляет собой прогрессирующее аутоиммунное заболевание, поражающее центральную нервную систему. Раннее и точное обнаружение поражений РС на снимках магнитно-резонансной томографии (МРТ) головного мозга имеет решающее значение для эффективного лечения. В работе предлагается классификация на основе глубокого обучения для автоматического обнаружения и диагностики поражений РС на снимках МРТ, использующий сверточные нейронные сети (Convolutional Neural Network, CNNs) для точной идентификации и классификации поражений. Классификация включает в себя всесторонний анализ наборов данных МРТ и этапы их предварительной обработки, такие как нормализация и сегментация поражений. Предложенная архитектура CNN, разработанная для обнаружения поражений РС, достигает точности 98,2 % на тестовом наборе данных. Благодаря внедрению передовых методов распознавания изображений, представленный метод глубокого обучения классифицирует поражения РС среди различных патологий мозга, присутствующих на снимках МРТ. Метод выделяет поражения РС на снимках МРТ, помогая нейрорадиологам в точной диагностике и планировании лечения. Исследование вносит вклад в улучшение диагностики РС, предоставляя надежный и автоматизированный инструмент обнаружения и классификации поражений.
Об авторах
М. Дивья
Институт науки и технологий SRM
Индия
Индия
Дивья Матаван - PhD, исследователь
Кампус Рамапурам, Ченнаи, 600089
Дж. Дхилипан
Институт науки и технологий SRM
Индия
Индия
Дхилипан Джаесилан - PhD, профессор, руководитель
Кампус Рамапурам, Ченнаи, 600089
А. Сараванан
Инженерный колледж Иасвари
Индия
Индия
Сараванан Аппу - PhD, профессор
Кампус Рамапурам, Ченнаи, 600089
Список литературы
1. López-Dorado A., Pérez J., Rodrigo M.J., Miguel-Jiménez J.M., Ortiz M., de Santiago L., López-Guillén E., Blanco R., Cavalliere C., Morla E.M.S., Boquete L., Garcia-Martin E. Diagnosis of multiple sclerosis using multifocal ERG data feature fusion. Information Fusion, 2021, vol. 76, pp. 157–167. https://doi.org/10.1016/j.inffus.2021.05.006
2. Mohseni E., Moghaddasi S.M. A hybrid approach for MS diagnosis through nonlinear EEG descriptors and metaheuristic optimized classification learning. Computational Intelligence and Neuroscience, 2022, vol. 2022, pp. 5430528. https://doi.org/10.1155/2022/5430528
3. Ahmadi A., Davoudi S., Daliri M.R. Computer Aided Diagnosis System for multiple sclerosis disease based on phase to amplitude coupling in covert visual attention. Computer Methods and Programs in Biomedicine, 2019, vol. 169, pp. 9–18. https://doi.org/10.1016/j.cmpb.2018.11.006
4. Karaca B.K., Akşahin M.F., Öcal R. Detection of multiple sclerosis from photic stimulation EEG signals. Biomedical Signal Processing and Control, 2021, vol. 67, pp. 102571. https://doi.org/10.1016/j.bspc.2021.102571
5. De Santiago L., Morla E.M.S., Ortiz M., López E., Usanos C.A., Alonso-Rodríguez M.C., Barea R., Cavaliere-Ballesta C., Fernández A., Boquete L. A computer-aided diagnosis of multiple sclerosis based on mfVEP recordings. PLoS ONE, 2019, vol. 14, no. 4, pp. e0214662. https://doi.org/10.1371/journal.pone.0214662
6. Yperman J., Becker T., Valkenborg D., Popescu V., Hellings N., Van Wijmeersch B., Peeters L.M. Machine learning analysis of motor evoked potential time series to predict disability progression in multiple sclerosis. BMC Neurology, 2020, vol. 20, no. 1, pp. 105. https://doi.org/10.1186/s12883-020-01672-w
7. Solana E., Martinez-Heras E., Casas-Roma J., Calvet L., Lopez-Soley E., Sepulveda M., Sola-Valls N., Montejo C., Blanco Y., Pulido-Valdeolivas I., Andorra M., Saiz A., Prados F., Llufriu S. Modified connectivity of vulnerable brain nodes in multiple sclerosis, their impact on cognition and their discriminative value. Scientific Reports, 2019, vol. 9, pp. 20172. https://doi.org/10.1038/s41598-019-56806-z
8. Kawahara J. Spinal Cord Segmentation and Disability Prediction in Multiple Sclerosis Using Novel Optimization and Machine Learning Methods: Ph.D. Dissertation. Vancouver Island University, Nanaimo, BC, Canada. 2013, 57 p.
9. Zhang H., Alberts E., Pongratz V., Mühlau M., Zimmer C., Wiestler B., Eichinger P. Predicting conversion from clinically isolated syndrome to multiple sclerosis–An imaging-based machine learning approach. NeuroImage Clinical, 2019, vol. 21, pp. 101593. https://doi.org/10.1016/j.nicl.2018.11.003
10. Rezaee A., Rezaee K., Haddadnia J., Gorji H.T. Supervised metaheuristic extreme learning machine for multiple sclerosis detection based on multiple feature descriptors in MR images. SN Applied Sciences, 2020, vol. 2, no. 5, pp. 866. https://doi.org/10.1007/s42452-020-2699-y
11. Ekşi Z., Özcan E.M., Çakıroğlu M., Öz C., Aralaşmak A. Differentiation of multiple sclerosis lesions and low-grade brain tumors on MRS data: Machine learning approaches. Neurological Sciences, 2021, vol. 42, no. 8, pp. 3389–3395. https://doi.org/10.1007/s10072-020-04950-0
12. Peng Y., Zheng Y., Tan Z., Liu J., Xiang Y., Liu H., Dai L., Xie Y., Wang J., Zeng C., Li Y. Prediction of unenhanced lesion evolution in multiple sclerosis using radiomics-based models: A machine learning approach. Multiple Sclerosis and Related Disorders, 2021, vol. 53, pp. 102989. https://doi.org/10.1016/j.msard.2021.102989
13. Eshaghi A., Young A.L., Wijeratne P.A., Prados F., Arnold D.L., Narayanan S., Guttmann C.R.G., Barkhof F., Alexander D.C., Thompson A.J., Chard D., Ciccarelli O. Identifying multiple sclerosis subtypes using unsupervised machine learning and MRI data. Nature Communications, 2021, vol. 12, no. 1, pp. 2078. https://doi.org/10.1038/s41467-021-22265-2
14. Bonanno L., Mammone N., De Salvo S., Bramanti A., Rifici C., Sessa E., Bramanti P., Marino S., Ciurleo R. Multiple Sclerosis lesions detection by a hybrid Watershed-Clustering algorithm. Clinical Imaging, 2021, vol. 72, pp. 162–167. https://doi.org/10.1016/j.clinimag.2020.11.006
15. Iswisi A.F.A., Karan O., Rahebi J. Diagnosis of Multiple Sclerosis Disease in Brain Magnetic Resonance Imaging Based on the Harris Hawks Optimization Algorithm. BioMed Research International, 2021, pp. 3248834. https://doi.org/10.1155/2021/3248834
16. Jain S., Rajpal N., Yadav J. Supervised and unsupervised machine learning techniques for multiple sclerosis identification: A performance comparative analysis. Advances in Intelligent Systems and Computing, 2022, vol. 1374, pp. 369–381. https://doi.org/10.1007/978-981-16-3346-1_30
17. Garcia-Martin E., Ortiz M., Boquete L., Sánchez-Morla E.M., Barea R., Cavaliere C., Vilades E., Orduna E., Rodrigo M.J. Early diagnosis of multiple sclerosis by OCT analysis using Cohen’s d method and a neural network as classifier. Computers in Biology and Medicine, 2021, vol. 129, pp. 104165. https://doi.org/10.1016/j.compbiomed.2020.104165
18. Montolío A., Cegoñino J., Garcia-Martin E., Pérez del Palomar A. Comparison of machine learning methods using spectralis OCT for diagnosis and disability progression prognosis in multiple sclerosis. Annals of Biomedical Engineering, 2022, vol. 50, no. 5, pp. 507–528. https://doi.org/10.1007/s10439-022-02930-3
Рецензия
Для цитирования:
Дивья М., Дхилипан Д., Сараванан А. Классификация поражений рассеянным склерозом посредством анализа изображений магнитно-резонансной томографии методом глубокого обучения. Научно-технический вестник информационных технологий, механики и оптики. 2024;24(5):824-833. https://doi.org/10.17586/2226-1494-2024-24-5-824-833
For citation:
Divya M., Dhilipan J., Saravanan A. Classification of multiple sclerosis lesion through Deep Learning analysis of MRI images. Scientific and Technical Journal of Information Technologies, Mechanics and Optics. 2024;24(5):824-833. https://doi.org/10.17586/2226-1494-2024-24-5-824-833
Просмотров:
23
Послать статью по эл. почте 