Анализ эффективности применения архитектуры U-net для классификации и сегментации глиомы на МРТ-снимках

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.

1. Epidemiology, risk factors, and prognostic factors of gliomas / A. Pellerino [et al.] // Clinical and Translational Imaging. 2022. Vol. 10. P. 467–475. https://doi.org/10.1007/s40336022-00489-6

2. Malignant Glioma / L. Wang [et al.] // Advances in experimental medicine and biology. 2023. Vol. 1405. P. 1–30. https://doi.org/10.1007/978-3-031-23705-8_1

3. Patil P., Giridhar P. Epidemiology and Demography of Brain Tumors // Evidence based practice in Neuro-oncology. Springer, 2021. P. 3–7. https://doi.org/10.1007/978-981-16-26593_1

4. Pediatric-type low-grade gliomas in adolescents and young adults-challenges and emerging paradigms / J. Bennett [et al.] // Child’s Nervous System. 2024. P. 1–11. https://doi.org/10.1007/s00381-024-06449-x

5. Improved Glioma Grading Using Deep Convolutional Neural Networks / S. Gutta, J. Acharya, M. S. Shiroishi, D. Hwang, K. S. Nayak // AJNR. Am. J. Neuroradiol. 2021. N 42(2). P. 233–239. https://doi.org/10.3174/ajnr.A6882

6. Шевченко Т. А. Современные проблемы лечения глиом головного мозга высокой степени злокачественности // Вестник Российского научного центра рентгенорадиологии Минздрава России. 2021. № 3. С. 10–12.

7. CBTRUS Statistical Report: American Brain Tumor Association & NCI Neuro-Oncology Branch Adolescent and Young Adult Primary Brain and Other Central Nervous System Tumors Diagnosed in the United States in 2016-2020 / M. Price [et al.] // Neuro-Oncology. 2024. N 26. P. 1–53. https://doi.org/10.1093/neuonc/noae047

8. Jin Y., Peng H., Peng J. Brain glioma localization diagnosis based on MRI // World neurosurgery. 2021. N 149. P. 325–332. https://doi.org/10.1016/j.wneu.2020.09.113

9. Алгоритмы мониторинга эффективности терапевтических и реабилитационных процедур по показателям клинического анализа крови в системе поддержки принятия врачебных решений / А. В. Бутусов, А. В. Киселев, Е. В. Петрунина [и др.] // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2023. Т. 13, № 1. С. 170–190. https://doi.org/10.21869/2223-1536-2023-13-1-170-190

10. Томакова Р. А., Дзюбин И. А., Брежнев А. В. Метод и алгоритм обучения сверточной нейронной сети, предназначенной для интеллектуальной системы распознавания меланомы // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2022. Т. 12, № 1. С. 65–83. https://doi.org/10.21869/2223-1536-2022-12-1-65-83

11. Automated glioma grading on conventional MRI images using deep convolutional neural networks / Y. Zhuge [et al.] // Medical Physics. 2020. N 47 (7). P. 3044–3053. https://doi.org/10.1002/mp.14168

12. 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. N 39. P. 63–74.

13. Intelligent Glioma Grading Based on Deep Transfer Learning of MRI Radiomic Features / C. M. Lo [et al.] // Applied Sciences. 2019. N 9 (22). P. 4926. https://doi.org/10.3390/app9224926

14. Medical Image Segmentation Review: The Success of U-Net / R. Azad [et. al.] // IEEE Transactions on Pattern Analysis and Machine Intelligence. 2024. P. 1–20. https://doi.org/10.1109/TPAMI.2024.3435571

15. Pan J. Image Segmentation Based On U-Net and Adjusted U-Nets // Highlights in Science, Engineering and Technology. 2024. N 85. P. 316–327. https://doi.org/10.54097/accm2w81

16. Bangul K., Hajira F., Ayatullah Q. Drawbacks of Artificial Intelligence and Their Potential Solutions in the Healthcare Sector // Biomed Mater & Devices. 2023. Vol. 1. P. 731– 738. https://doi.org/10.1007/s44174-023-00063-2

17. TransDeepLab: Convolution-Free Transformer-Based DeepLab v3+ for Medical Image Segmentation / R. Azad [et al.] // Predictive Intelligence in Medicine: 5th International Workshop, PRIME 2022, Held in Conjunction with MICCAI 2022. Singapore: Springer, 2022. P. 91–102. https://doi.org/10.1007/978-3-031-16919-9_9

18. The PRISM semantic cohort builder: a novel tool to search and access clinical data in TCIA imaging collections / J. Bona [et al.] // Physics in Medicine & Biology. 2022. N 68 (1). P. 014003. https://doi.org/10.1088/1361-6560/ac9d1d

19. Increasing the Versatility of Leaky ReLU Using a Nonlinear Function / P. Bedi [et al.] // Advanced Machine Intelligence and Signal Processing. Springer, 2022. P. 433–442. https://doi.org/10.1007/978-981-19-0840-8_32

20. Segmentation and Estimation of Fetal Biometric Parameters using an Attention Gate Double U-Net with Guided Decoder Architecture / S. Degala [et al.] // Computers in Biology and Medicine. 2024. N 180. P. 109000. https://doi.org/10.1016/j.compbiomed.2024.109000

21. Киселев А. В., Брусенцев Н. С., Кулешова Е. А. Анализ эффективности применения двухэтапных нейросетевых моделей для раннего обнаружения лесных пожаров // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2024. Т. 14, № 1. С. 8–23. https://doi.org/10.21869/2223-1536-2024-14-1-8-23

22. Stodt J., Reich C., Clarke N. Unified Intersection Over Union for Explainable Artificial Intelligence // Intelligent Systems and Applications: Proceedings of the 2023 Intelligent Systems Conference (IntelliSys). Springer, 2024. P. 758–770. https://doi.org/10.1007/978-3031-47724-9_50