طبقه‌بندی و تعیین درجه‌ی تومورهای گلیومای مغز با استفاده از تصاویر تشدید مغناطیسی و الگوریتم‌های یادگیری ماشین

نویسندگان

1 گروه فیزیک پزشکی، دانشکده‌ی پزشکی، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران

2 کارشناسی ارشد، مهندسی پرتو پزشکی، دانشگاه شهید بهشتی، تهران، ایران

3 بخش رادیوتراپی، بیمارستان میلاد اصفهان، اصفهان، ایران

چکیده

مقاله پژوهشی

مقدمه: گلیوما، متداول‌ترین تومور مغزی اولیه در بزرگسالان است. قابلیت‌‌های فراوان یادگیری ماشین با استفاده از تصویربرداری تشدید مغناطیسی (Magnetic resonance imaging) MRI می‌تواند آن را به عنوان ابزاری کاربردی در تشخیص دقیق و به موقع تومورها برای کمک به پزشکان در زمینه‌های مختلف تشخیصی و درمانی تبدیل کند. هدف از این پژوهش، قطعه‌بندی و تعیین درجه‌ی تومورهای گلیوما با انواع الگوریتم‌های یادگیری به صورت خودکار می‌باشد.
روش‌ها: این یک مطالعه‌ی بنیادی- کاربردی است که بر روی تصاویر مولتی‌مدالیته MRI، 285 بیمار مبتلا به تومور گلیوما از مجموعه‌ی داده‌ی چالش BraTS 2018 انجام شد. جهت طبقه‌بندی تومورهای گلیوما درجه بالا (High grade glioma) HGG و درجه پایین (Low grade glioma) LGG، ابتدا قطعه‌بندی با شبکه‌ی U-Net صورت گرفت، سپس طبقه‌بندی بر مبنای شبکه‌ی VGG16 برای تعیین درجه‌ی تومور به کار گرفته شد.
یافته‌ها: میانگین ضریب دایس (Dice) قطعه‌بند طراحی ‌شده برای نواحی کل تومور، هسته‌ی تومور و ناحیه‌ی افزایش‌یافته به ترتیب 0/76، 0/70 و 0/71 به دست آمد. صحت طبقه‌بند پیشنهادی بر مبنای شبکه‌ی VGG 16 به منظور تعیین درجه‌ی تومور در دو گروه HGG و 99/01 LGG، درصد حاصل شد.
نتیجه‌گیری: با استفاده از روش‌های یادگیری ماشین، می‌توان درجه‌ی تومور گلیوما را بدون استفاده از روش‌های تهاجمی همانند نمونه‌برداری مشخص و نرخ بقای این بیماران و کیفیت زندگی آ‌ن‌ها را بهبود بخشید.

کلیدواژه‌ها

عنوان مقاله [English]

Classification and Staging of Brain Glioma Tumors Using Magnetic Resonance Imaging and Machine Learning Algorithms

نویسندگان [English]

  • Zahra Papi 1
  • Iraj Abedi 1
  • Fatemeh Dalvand 2
  • Ali Reza Amouheidari 3
1 Department of Medical Physics, School of Medicine, Isfahan University of Medical Sciences, Isfahan, Iran
2 MSc of Radiation Engineering, Shahid Beheshti University, Tehran, Iran
3 Department of Radiotherapy, Milad Hospital, Isfahan, Iran
چکیده [English]

Background: Glioma is the most common primary brain tumor in adults. Various machine learning tools via magnetic resonance imaging can make it a practical instrument in accurate and early diagnosis of tumors thereby assisting physicians in diverse diagnostic and therapeutic fields. The aim of this study is to automate the process of defining and determing the grade of glioma tumor with the use of a variety of learning algorithms.
Methods: This is a fundamental-applied study performed on multimodal MRI images of 285 patients with glioma tumors from the BraTS 2018 Challenge Database. In order to classify glioma tumors as high and low grade, first a was performed with U Net network for the definition purposes, then the results were incorporated for classification in VGG16 network to determine the exact grade of tumor.
Findings: The mean value of Dice Similarity Coefficient (DSC) for the classification designed for regions of the complete tumor, core of the tumor and the enhanced areas were 0.76, 0.70 and 0.71 respectively. The accuracy of the proposed classification based on VGG 16 network to determine the grade of tumor in both HGG and LGG groups was 99.01%.
Conclusion: Machine learning methods can he useful to determine the glioma tumor grade instead of using invasive proceedures like biopsy which in turn improves overall survival rate of these patients and their quality of life.

کلیدواژه‌ها [English]

  • Machine learning
  • Segmentation
  • Classification
  • Glioma
  • Magnetic resonance imaging

مراجع

  1. Goodenberger ML, Jenkins RB. Genetics of adult glioma. Cancer Genet 2012; 205(12): 613-21.
  2. Işın A, Direkoğlu C, Şah M. Review of MRI-based brain tumor image segmentation using deep learning methods. Procedia Comput Sci 2016;102: 317-24.
  3. Bi WL, Hosny A, Schabath MB, Giger ML, Birkbak NJ, Mehrtash A, et al. Artificial intelligence in cancer imaging: clinical challenges and applications. CA Cancer J Clin 2019; 69(2): 127-57.
  4. Naser MA, Deen MJ. Brain tumor segmentation and grading of lower-grade glioma using deep learning in MRI images. Comput Biol Med 2020; 121: 103758.
  5. Kollerathu VA, Kesavadas C, Krishnamurthi G. A transfer learning based approach for automated grading of Gliomas using deep Residual Networks; 2018.
  6. Rehman A, Naz S, Razzak MI, Akram F, Imran M. A deep learning-based framework for automatic brain tumors classification using transfer learning. Circuits, Syst Signal Pro 2020; 39(2): 757-75.
  7. Bakas S, Reyes M, Jakab A, Bauer S, Rempfler M, Crimi A, et al. Identifying the best machine learning algorithms for brain tumor segmentation, progression assessment, and overall survival prediction in the BRATS challenge. arXiv preprint arXiv:181102629; 2018.
  8. Ronneberger O, Fischer P, Brox T. U-net: Convolutional networks for biomedical image segmentation. In: Navab N, Hornegger J, Wells W, Frangi A, editor. Medical image computing and computer-assisted intervention – MICCAI. Heidelberg, Germany: Springer; 2015.
  9. Kermi A, Mahmoudi I, Khadir MT. Deep convolutional neural networks using U-Net for automatic brain tumor segmentation in multimodal MRI volumes. In: Crimi A, Bakas S, Kuijf H, Keyvan F, Reyes M, van Walsum T, editor. Brainlesion: Glioma, multiple sclerosis, stroke and traumatic brain injuries. Heidelberg, Germany: Springer; 2018.
  10. Simonyan K, Zisserman A. Very deep convolutional networks for large-scale image recognition. arXiv preprint arXiv:14091556; 2014.
مجله دانشکده پزشکی اصفهان
دوره 40، شماره 665
هفته 1 خردادماه
خرداد و تیر 1401
صفحه 188-193

فایل ها

سابقه مقاله

  • تاریخ دریافت: 19 خرداد 1401
  • تاریخ پذیرش: 19 خرداد 1401

هم رسانی

ارجاع به این مقاله

آمار