Сегментация опухоли головного мозга на магнитно-резонансной томографии с использованием нечеткого деформируемого слияния и алгоритма Dolphin-SCA

Прекращение функционирования мозга человека на небольшой промежуток времени приводит к смерти. Лечение нарушений головного мозга должно проводиться на ранней стадии и до появления клинических симптомов. Опухоль головного мозга является одним из самых серьезных заболеваний. Развитие опухоли можно обнаружить с помощью магнитно-резонансной томографии (МРТ). В связи с наличием шумов на изображении МРТ опухоль сложно точно и быстро диагностировать. Одно из решений в диагностике опухолей — использование сегментации изображений головного мозга на МРТ. В работе представлена модель томограммы головного мозга обработанная с помощью нелокальных средств (Non-Local Means, NLM) для уменьшения шума от захваченных необработанных данных. Полученное изображение сегментировано с помощью определения областей интереса (ROI) и деформируемой нечеткой системы слияния. Система слияния сочетала в себе метод нечеткой кластеризации C-средних (Fuzzy C-Means, FCM) и деформируемых систем. Выполнен анализ значений пригодности констант α и β сегментированных изображений моделей, объединенных с использованием алгоритма синус-косинуса на основе эхолокации Dolphin-SCA. Интегрированный вывод алгоритма классифицирован с помощью глубокого классификатора (Convolutional Neural Network, CNN). Проведен анализ и сравнение экспериментальных данных созданной модели с текущими методологиями. Значения показателей эффективности предлагаемой модели для селективности, прецизионности, правильности и ошибок составили 0,90, 0,89, 0,88 и 0,10 соответственно. Таким образом, по сравнению с предыдущими стратегиями, предлагаемый подход превосходит ранее применяемые методы.

1. Amin J., Sharif M., Yasmin M., Saba T., Anjum M.A., Fernandes S.L. A new approach for brain tumor segmentation and classifcation based on score level fusion using transfer learning. Journal of Medical Systems, 2019, vol. 43, no. 11, pp. 326. https://doi.org/10.1007/s10916-019-1453-8

2. Sultan H.H., Salem N.M., Al-Atabany W. Multi-classifcation of brain tumor images using deep neural network. IEEE Access, 2019, vol. 7, pp. 69215–69225. https://doi.org/10.1109/access.2019.2919122

3. Noreen N., Palaniappan S., Qayyum A., Ahmad I., Imran M., Shoaib M. A deep learning model based on concatenation approach for the diagnosis of brain tumor. IEEE Access, 2020, vol. 8, pp. 55135–55144. https://doi.org/10.1109/access.2020.2978629

4. Swati Z.N.K., Zhao Q., Kabir M., Ali F., Ali Z., Ahmed S., Lu J. Brain tumor classifcation for MR images using transfer learning and fnetuning. Computerized Medical Imaging and Graphics, 2019, vol. 75, pp. 34–46. https://doi.org/10.1016/j.compmedimag.2019.05.001

5. Vaibhavi P., Rupal K. Brain tumor segmentation using K-means–FCM hybrid technique. Advances in Intelligent Systems and Computing, 2018, vol. 696, pp. 341–352. https://doi.org/10.1007/978-981-10-7386-1_30

6. Sandhya S., Chidambararajan B., Kumar M.S. FCM-based segmentation and neural network classifcation of tumor in brain MRI images. Advances in Intelligent Systems and Computing, 2021, vol. 1167, pp. 371–378. https://doi.org/10.1007/978-981-15-5285-4_37

7. Daimary D., Bora M.B., Amitab K., Kandar D. Brain tumor segmentation from MRI images using hybrid convolutional neural networks. Procedia Computer Science, 2020, vol. 167, pp. 2419– 2428. https://doi.org/10.1016/j.procs.2020.03.295

8. Khairandish M.O., Sharma M., Jain V., Chatterjee J.M., Jhanjhi N.Z. A Hybrid CNN-SVM threshold segmentation approach for tumor detection and classifcation of MRI brain images. IRBM, 2022, vol. 43, no. 4, pp. 290–299. https://doi.org/10.1016/j.irbm.2021.06.003

9. Aygün M., Şahin Y.H., Ünal G. Multi modal convolutional neural networks for brain tumor segmentation. arXiv, 2018, arXiv:1809.06191. https://doi.org/10.48550/arXiv.1809.06191

10. Badža M.M., Barjaktarović M.Č. Classifcation of brain tumors from MRI images using a convolutional neural network. Applied Sciences, 2020, vol. 10, no. 6, pp. 1999. https://doi.org/10.3390/app10061999

11. Sheela C.J.J., Suganthi G. Automatic brain tumor segmentation from MRI using greedy snake model and fuzzy C-means optimization. Journal of King Saud University — Computer and Information Sciences, 2022, vol. 34, no. 3, pp. 557–566. https://doi.org/10.1016/j.jksuci.2019.04.006

12. Hrosik R.C., Tuba E., Dolicanin E., Jovanovic R., Tuba M. Brain image segmentation based on frefy algorithm combined with k-means clustering. Studies in Informatics and Control, 2019, vol. 28, no. 2, pp. 167–176. https://doi.org/10.24846/v28i2y201905

13. Huang H., Meng F., Zhou S., Jiang F., Manogaran G. Brain image segmentation based on FCM clustering algorithm and rough set. IEEE Access, 2019, vol. 7, pp. 12386–12396. https://doi.org/10.1109/access.2019.2893063

14. Srinivas K., Kantapalli B. Segmentation of MR brain images using unifed iterative partitioned fuzzy clustering. International Journal of Recent Technology and Engineering, 2019, vol. 8, no. 1, pp. 2755–2758.

15. Ali M., Gilani S.O., Waris A., Zafar K., Jamil M. Brain tumour image segmentation using deep networks. IEEE Access, 2020, vol. 8, pp. 153589–153598. https://doi.org/10.1109/access.2020.3018160

16. Kanoun B., Ambrosanio, M., Baselice F., Ferraioli G., Pascazio V., Gómez L. Anisotropic weighted KS-NLM flter for noise reduction in MRI. IEEE Access, 2020, vol. 8, pp. 184866–184884. https://doi.org/10.1109/access.2020.3029297

17. Sun L., Shao W., Zhang D., Liu M. Anatomical attention guided deep networks for ROI segmentation of brain MR images. IEEE Transactions on Medical Imaging, 2020, vol. 39, no. 6, pp. 2000– 2012. https://doi.org/10.1109/tmi.2019.2962792

18. Ismael M.R. Edge enhancement based active contour model for segmentation of brain tumor in MRI images. ECTI Transactions on Electrical Engineering, Electronics, and Communications, 2021, vol. 19, no. 3. https://doi.org/10.37936/ecti-eec.2021193.244942

19. Ghosh P., Mali K., Das S.K. Chaotic frefy algorithm-based fuzzy C-means algorithm for segmentation of brain tissues in magnetic resonance images. Journal of Visual Communication and Image Representation, 2018, vol. 54, pp. 63–79. https://doi.org/10.1016/j.jvcir.2018.04.007

20. Kumar S., Mankame D.P. Optimization driven deep convolution neural network for brain tumor classifcation. Biocybernetics and Biomedical Engineering, 2020, vol. 40, no. 3, pp. 1190–1204. https://doi.org/10.1016/j.bbe.2020.05.009