Киселев Алексей Викторович, кандидат технических наук, доцент кафедры вычислительной техники
ул. 50 лет Октября, д. 94, г. Курск 305040
Alexey V. Kiselev, Candidate of Sciences (Engineering), Associate Professor of the Department of Computer Engineering
50 Let Oktyabrya Str. 94, Kursk 305040
Кулешова Елена Александровна, кандидат технических наук, доцент кафедры информационной безопасности
ул. 50 лет Октября, д. 94, г. Курск 305040
Elena A. Kuleshova, Candidate of Sciences (Engineering), Associate Professor of the Department of Information Security
50 Let Oktyabrya Str. 94, Kursk 305040
Таныгин Максим Олегович, доктор технических наук, доцент, профессор кафедры информационной безопасности
ул. 50 лет Октября, д. 94, г. Курск 305040
Maxim O. Tanygin, Doctor of Sciences (Engineering), Associate Professor, Professor of the Department of Information Security
50 Let Oktyabrya Str. 94, Kursk 305040
Дерябин Денис Романович, студент кафедры вычислительной техники
ул. 50 лет Октября, д. 94, г. Курск 305040
Denis R. Deryabin, Student of the Department of Computer Engineering
50 Let Oktyabrya Str. 94, Kursk 305040
Халин Игорь Алексеевич, аспирант кафедры биомедицинской инженерии
ул. 50 лет Октября, д. 94, г. Курск 305040
Igor A. Khalin, Post-Graduate Student of the Department of Biomedical Engineering
50 Let Oktyabrya Str. 94, Kursk 305040
Цель исследования – анализ эффективности применения нейросетевой архитектуры U-net в системах поддержки принятия врачебных решений для диагностики глиомы, а также сегментации пораженных ею областей головного мозга на МРТ-снимках.
Методы. Для проведения экспериментальных исследований был сформирован набор данных для обучения и проведена нормализация данных. Выполнена программная реализация нейросетевой архитектуры U-Net с применением фреймворка Keras на языке программирования Python. Проведено обучение нейросетевой модели.
Результаты. Проведен ряд экспериментов, в ходе которых были получены матрицы ошибок и классификации, проведена оценка эффективности классификации, обученной нейросетевой модели по классам «Опухоль» и «Без опухоли» с помощью таких метрик, как Recall, Precision и F1-мера, проведена оценка качества сегментации пораженных глиомой областей на тестовом наборе данных. Качество сегментации оценивалось с использованием метрики IoU, отражающей отношения площадей ограничительных рамок и применяемой для оценки точности пространственного соответствия предсказанных сегментированных областей, выделенных на масках. Исходя из результатов тестирования нейросетевой модели при решении задачи сегментации областей головного мозга, пораженных глиомой, было получено среднее значение метрики IoU, равное 0,812, что является приемлемым результатом.
Заключение. Результаты тестирования показали, что нейросетевая модель на основе архитектуры U-net способна эффективно диагностировать наличие глиомы с приемлемыми значениями метрик качества классификации и сегментации, что указывает на возможность применения данной нейросетевой модели в системах поддержки принятия врачебных решений для диагностики глиомы, а также ее сегментации на МРТ-снимках. Однако целесообразной является доработка данной нейросетевой модели для уменьшения числа ложноотрицательных результатов классификации, что является критически важным в медицинской диагностике.
The purpose of the research is to analyze the efficiency of the U-net neural network architecture in decision support systems for glioma diagnostics and segmentation of brain areas affected by it on MRI images.
Methods. To conduct experimental studies, a training dataset was generated and the data was normalized. A software implementation of the U-Net neural network architecture was performed using the Keras framework in the Python programming language. The neural network model was trained.
Results. A series of experiments were conducted, during which error and classification matrices were obtained, the efficiency of classification of the trained neural network model for the "Tumor" and "No tumor" classes was assessed using metrics such as Recall, Precision and F1-measure, and the quality of segmentation of glioma-affected areas on the test data set was assessed. The quality of segmentation was assessed using the IoU metric, which reflects the ratio of the areas of the bounding boxes and is used to assess the accuracy of the spatial correspondence of the predicted segmented areas highlighted on the masks. Based on the results of testing the neural network model in solving the problem of segmenting brain areas affected by glioma, the average value of the IoU metric was 0.812, which is an acceptable result.
Conclusion. The testing results showed that the neural network model based on the U-net architecture is able to effectively diagnose the presence of glioma with acceptable values of the classification and segmentation quality metrics, which indicates the possibility of using this neural network model in medical decision support systems for glioma diagnostics, as well as its segmentation on MRI images. However, it is advisable to refine this neural network model to reduce the number of false negative classification results, which is critically important in medical diagnostics.
The authors declare that there are no conflicts of interest present.