Cybernetics And Systems Analysis logo
Інформація редакції Аннотації статей Автори Архів
Кібернетика та Системний Аналіз
Міжнародний Науково-Теоретичний Журнал
Том 59 >>> № 2 БЕРЕЗЕНЬ — КВІТЕНЬ 2023
-->

УДК 004.8, 004.048

В.М. СИНЄГЛАЗОВ,
Інститут кібернетики ім. В.М. Глушкова НАН України, Київ, Україна,
 svm@nau.edu.ua

К.Д. РЯЗАНОВСЬКИЙ,
Національний технічний університет України «Київський політехнічний інститут
імені Ігоря Сікорського», Київ, Україна,  kir_ryaz@tk.kpi.ua

О.В. КЛАНОВЕЦЬ,
Національний технічний університет України «Київський політехнічний інститут
імені Ігоря Сікорського», Київ, Україна,  alex.klanovets@gmail.com


ТРИЕТАПНИЙ 2D-3D АНСАМБЛЬ ЗГОРТКОВИХ НЕЙРОННИХ
МЕРЕЖ ДЛЯ СЕГМЕНТАЦІЇ ЗЛОЯКІСНИХ ПУХЛИН ГОЛОВНОГО
МОЗКУ НА МРТ-ЗОБРАЖЕННЯХ

Анотація. Розв’язано задачу бінарної семантичної сегментації пухлин головного мозку за МРТ-зображеннями. Виконано попіксельне визначення межі аномальної ділянки за наявності шуму в навчальній вибірці та вхідних даних. Показано, що у разі використання 2D-моделей для розв’язання задач 3D-сегментації просторову інформацію між сусідніми зрізами не враховують та не використовують. Запропоновано новий підхід до оптимізації оброблення 3D медичних зображень із застосуванням ансамблевих топологій у три етапи. На першому етапі здійснюють 2D-оброблення зображень ансамблем у трьох площинах для максимізації критерію різноманітності і точного захоплення області інтересу (region of interest, ROI). Другий етап передбачає ансамблеве оброблення 3D-областей ROI, виділених нейронними мережами, з різними 3D-розмірами вхідних блоків для забезпечення різноманітності. На третьому етапі об’єднують виділені аномальні ділянки (злоякісні пухлини) з першого та других етапів шляхом їхнього зваженого підсумовування та виконання операції порогового оброблення (thresholding) для отримання остаточної бінарної 3D-маски пухлини мозку. Проведено тестування запропонованого підходу на датасеті LGG Brain MRI Segmentation Dataset. Покращено точність сегментації за суттєвими метриками dice score та mIoU завдяки скороченню обсягу використовуваних обчислювально-витратних 3D-мереж.

Ключові слова: згорткова нейронна мережа, ансамблева топологія, пухлини головного мозку, МРТ, 3D нейронні мережі.


повний текст

СПИСОК ЛІТЕРАТУРИ

  1. Malhotra P., Gupta S., Koundal D., Zaguia A., Enbeyle W. Deep neural networks for medical image segmentation. Journal of Healthcare Engineering. 2022. Vol. 2022. Article ID 9580991. 15 p. https://doi.org/10.1155/2022/9580991.

  2. Wang R., Lei T., Cui R., Zhang B., Meng H., Nandi A. Medical image segmentation using deep learning: A survey. IET Image Processing. 2022. Vol. 16, Iss. 5. P. 1243–1267. https://doi.org/10.1049/ipr2.12419.

  3. Rizwan-i-Haque I., Neubert J. Deep learning approaches to biomedical image segmentation. Informatics in Medicine Unlocked. 2020. Vol. 18. Article 100297. https://doi.org/10.1016/j.imu.2020.100297.

  4. Mller D., Kramer F. MIScnn: a framework for medical image segmentation with convolutional neural networks and deep learning. BMC Medical Imaging. 2019. Vol. 21. Article 12. https://doi.org/10.1186/s12880-020-00543-7.

  5. Xin M., Wang Y. Research on image classification model based on deep convolution neural network. EURASIP Journal on Image and Video Processing. 2019. Vol. 2019. Article 40. https://doi.org/10.1186/s13640-019-0417-8.

  6. Krishna M., Neelima M., Mane H., Matcha V. Image classification using deep learning. International Journal of Engineering & Technology. 2018. Vol. 7, Iss. 7. P. 614–617. https://doi.org/10.14419/ijet.v7i2.7.10892.

  7. Minaee S., Boykov Yu., Porikli F., Plaza A., Kehtarnavaz A., Terzopoulos D. Image segmentation using deep learning: a survey. IEEE Transactions on Pattern Analysis and Machine Intelligence. 2022. Vol. 44, Iss.7. P. 3523–3542. https://doi.org/10.1109/TPAMI.2021.3059968.

  8. Islam M.T., Karim Siddique B.M.N., Rahman S., Jabid T. Image recognition with deep learning. Proc. 2018 International Conference on Intelligent Informatics and Biomedical Sciences (ICIIBMS) (21–24 October 2018, Bangkok, Thailand). Bangkok, 2018. P. 106–110. https://doi.org/10.1109/ICIIBMS.2018.8550021.

  9. Chai J., Zeng H., Li A., Ngai E. Deep learning in computer vision: A critical review of emerging techniques and application scenarios. Machine Learning with Applications. 2021. Vol. 6. Article 100134. https://doi.org/10.1016/j.mlwa.2021.100134.

  10. Voulodimos A., Doulamis N., Doulamis A., Protopapadakis E., Andina D. Deep learning for computer vision: A brief review. Computational Intelligence and Neuroscience. 2018. Vol. 2018. Article ID 7068349. https://doi.org/10.1155/2018/7068349.

  11. Long J., Shelhamer E., Darrell T. Fully convolutional networks for semantic segmentation. Proc. 2015 IEEE Conference on Computer Vision and Pattern Recognition (CVPR) (7–12 June 2015, Boston, MA, USA). Boston, 2015. P. 3431–3440. https://doi.org/10.1109/CVPR.2015.7298965.

  12. Ronneberger O., Fischer P., Brox T. U-Net: Convolutional Networks for Biomedical Image Segmentation. Proc. Medical Image Computing and Computer-Assisted Intervention — MICCAI 2015. MICCAI 2015 (5–9 October 2015, Munich, Germany). Munich, 2015. Navab N., Hornegger J., Wells W., Frangi A. (Eds.). Lecture Notes in Computer Science. 2015. Vol. 9351. P. 234–241. https://doi.org/10.1007/978-3-319-24574-4_28.

  13. Milletari F., Navab N., Ahmadi S. V-Net: fully convolutional neural networks for volumetric medical image segmentation. Proc. 2016 Fourth International Conference on 3D Vision (3DV) (25–28 October 2016, Stanford, CA, USA). Stanford, 2016. P. 565–571.

  14. Seol Y.J., Kim Y.J., Kim Y.S., Cheon Y.W., Kim K.G. A study on 3D deep learning-based automatic diagnosis of nasal fractures. Sensors. 2022. Vol. 22, Iss. 2. Article 506. https://doi.org/10.3390/s22020506.

  15. Charles R.Q., Su H., Kaichun M., Guibas L.J. PointNet: Deep learning on point sets for 3D classification and segmentation. Proc. 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR) (21–26 July 2017, Honolulu, HI, USA), 2017. P. 77–85. https://doi.org/10.1109/CVPR.2017.16.

  16. Feng X., Tustison N.J., Patel S.H., Meyer C.H. Brain tumor segmentation using an ensemble of 3D U-Nets and overall survival prediction using radiomic features. Frontiers in Computational Neuro Science. 2020. Vol. 14. Article number 25. https://doi.org/10.3389/fncom.2020.00025.

  17. Das S., Bose S., Nayak G.K., Saxena S. Deep learning-based ensemble model for brain tumor segmentation using multi-parametric MR scans. Open Computer Science. 2022. Vol. 12, N 1. P. 211–226. https://doi.org/10.1515/comp-2022-0242.

  18. Zheng H., Zhang Y., Yang L., Liang P., Zhao Z., Wang C., Chen D.Z. A new ensemble learning framework for 3D biomedical image segmentation. Proc. Thirty-Third AAAI Conference on Artificial Intelligence and Thirty-First Innovative Applications of Artificial Intelligence Conference and Ninth AAAI Symposium on Educational Advances in Artificial Intelligence (AAAI’19/IAAI’19/EAAI’19) (27 January – 1 February 2019, Honolulu, Hawaii USA). Honolulu, 2019. Article 725. P. 5909–5916. https://doi.org/10.1609/aaai.v33i01.33015909.

  19. Cao H., Liu H., Song E., Ma G., Xu X., Jin R., Liu T., Hung Ch.-Ch. Multi-branch ensemble learning architecture based on 3D CNN for false positive reduction in lung nodule detection. IEEE Access. 2019. Vol. 7. P. 67380–67391. https://www.kaggle.com/datasets/mateuszbuda/lgg-mri-segmentation .

  20. Zhou X., Yamada K., Takayama R., Zhou X., Hara T., Fujita H., Wang S., Kojima T. Performance evaluation of 2D and 3D deep learning approaches for automatic segmentation of multiple organs on CT images. Proc. SPIE 10575, Medical Imaging 2018: Computer-Aided Diagnosis (10–15 February 2018, Houston, Texas, USA). Houston, 2018. Vol. 10575. P. 105752C. https://doi.org/10.1117/12.2295178.

  21. Srikrishna M., Heckemann R.A., Pereira J.B., Volpe G., Zettergren A., Kern S., Westman E., Skoog I., Schll M. Comparison of two-dimensional- and three-dimensional-based U-Net architectures for brain tissue classification in one-dimensional brain CT. Front. Comput. Neurosci. 2022. Vol. 15. Article number 785244. https://doi.org/10.3389/fncom.2021.785244.

  22. Stamoulakatos A., Cardona J., Michie C., Andonovic I., Lazaridis P., Bellekens X., Atkinson R., Hossain Md.M., Tachtatzis C. A comparison of the performance of 2D and 3D convolutional neural networks for subsea survey video classification. Proc. OCEANS 2021 San Diego — Porto (20–23 September 2021, San Diego, Portugal). San Diego, 2021. P. 1–10. https://doi.org/10.23919/OCEANS44145.2021.9706125.

  23. Yang L., Zhang Y., Chen J., Zhang S., Chen D.Z. Suggestive annotation: A deep active learning framework for biomedical image segmentation. In: Medical Image Computing and Computer Assisted Intervention — MICCAI 2017. MICCAI 2017 (11–13 September 2017, Quebec City, QC, Canada). Quebec City, 2017. Lecture Notes in Computer Science. Descoteaux M., Maier-Hein L., Franz A., Jannin P., Collins D., Duchesne S. (Eds.). 2017. Vol. 10435. P. 399–407. https://doi.org/10.1007/978-3-319-66179-7_46.

  24. Bui T. D., Shin J., Moon T. Skip-connected 3D DenseNet for volumetric infant brain MRI segmentation. Biomed. Signal Process. Control. 2019. Vol. 54, Article 101613. https://doi.org/10.1016/j.bspc.2019.101613.

  25. Anaraki A.K., Ayati M., Kazemi F. Magnetic resonance imaging-based brain tumor grades classification and grading via convolutional neural networks and genetic algorithms. Biocybernetics and Biomedical Engineering. 2019. Vol. 39, N. 1. P. 63–74.

  26. Ozyurt F., Sert E., Avci E., Dogantekin E. Brain tumor detection based on a convolutional neural network with neutrosophicexpert maximum fuzzy sure entropy. Measurement. 2019. Vol. 147, Article 106830.

  27. Ghosh S., Santosh Kc. Tumor segmentation in brain MRI: U-Nets versus feature pyramid network. Proc. 2021 IEEE 34th International Symposium on Computer-Based Medical Systems (CBMS) (1–9 June 2021, Online event). P. 31–36. https://doi.org/10.1109/CBMS52027.2021.00013.

  28. Li Z., Wang Y., Yu J., Shi Z., Guo Y., Chen L., Mao Y. Low-grade glioma segmentation based on CNN with fully connected CRF. J. Healthc. Eng. 2017. Vol. 2017. Article Gs9283480. https://doi.org/10.1155/2017/9283480.




Інформація редакції Аннотації статей Автори Архів
Журнал Тематичні Розділи Редакція Редакційна колегія Приклади документів Передплата Контакти
© 2023 Kibernetika.org. All rights reserved.