A comparative study for glioma classification using deep convolutional neural networks

Hakan Özcan; Bülent Gürsel Emiroğlu; Hakan Sabuncuoğlu; Selçuk Özdoğan; Ahmet Soyer; Tahsin Saygı; Hakan Özcan; Bülent Gürsel Emiroğlu; Hakan Sabuncuoğlu; Selçuk Özdoğan; Ahmet Soyer; Tahsin Saygı

doi:10.3934/mbe.2021080

数学生物科学与工程

2021,第18卷, 第2版: 1550-1572. 数字对象标识：10.3934/mbe.2021080年

研究文章特殊问题

深卷积神经网络用于胶质瘤分类的比较研究

1.
土耳其阿马西亚阿马西亚大学计算机技术系
2
土耳其科勒科勒大学计算机工程系
三。
土耳其安卡拉乌福大学神经外科
4
土耳其伊斯坦布尔神经外科诊所阿达特涅普医院
5
土耳其伊斯坦布尔哈塞基研究训练医院神经外科

收到：2020年11月27日 认可的：2021年1月25日 出版：2021年1月29日

胶质瘤是一种中枢神经系统肿瘤，占恶性脑肿瘤的大多数。世界卫生组织（WHO）根据恶性程度将胶质瘤分为四级。Ⅰ-Ⅱ级胶质瘤被认为是低度胶质瘤（LGG），而Ⅲ-Ⅳ级胶质瘤则被称为高级胶质瘤（HGG）。恶性转化前HGG和LGG的准确分类在治疗规划中起着至关重要的作用。磁共振成像（MRI）是胶质瘤诊断的基石。然而，MRI数据的检查是一个耗时的过程，并且由于人为干预容易出错。在本研究中，我们引入了一种基于自定义卷积神经网络（CNN）的深度学习模型，该模型从头开始训练，并通过传输学习与预处理的AlexNet、GoogLeNet和SqueezeNet进行性能比较，以实现有效的胶质瘤分级预测。我们根据病理证实的104例神经胶质瘤临床病例（50个LGG，54个HGG）训练和测试了模型。使用数据增强技术的组合来扩展训练数据。采用五倍交叉验证来评估每个模型的性能。我们比较了模型的敏感性、特异性、F1评分、准确性和受试者操作特征曲线（AUC）下面积的平均值。根据实验结果，我们定制的深度CNN模型取得了与预处理模型相当甚至更好的性能。定制模型的敏感性、特异性、F1评分、准确性和AUC值分别为0.980、0.963、0.970、0.971和0.989。GoogLeNet在准确性和AUC方面表现优于AlexNet和SqueezeNet，敏感性、特异性、F1得分、准确性和AUC值分别为0.980、0.889、0.933、0.933和0.987。AlexNet的敏感性、特异性、F1评分、准确性和AUC值分别为0.940、0.907、0.922、0.923和0.970。对于SqueezeNet，敏感性、特异性、F1评分、准确性和AUC值分别为0.920、0.870、0.893、0.894和0.975。结果表明，所提出的定制模型在将胶质瘤分为LGG和HGG方面的有效性和稳健性。研究结果表明，深度CNN和转移学习方法对于解决医学领域的分类问题非常有用。
- 胶质瘤,
- 临床扫描,
- 回顾性研究,
- 磁共振成像,
- 分类,
- 深度卷积神经网络,
- 迁移学习
引用：哈坎·奥兹坎、比伦特·吉尔塞尔·埃米罗卢、哈坎·萨布库科卢、塞尔库·奥兹多安、艾哈迈特·索耶、塔辛·塞格。深卷积神经网络用于胶质瘤分类的比较研究[J]。数学生物科学与工程，2021，18（2）：1550-1572。doi:10.3934/mbe.2021080年

相关论文：

摘要

胶质瘤是一种中枢神经系统肿瘤，占恶性脑肿瘤的大多数。世界卫生组织（WHO）根据恶性程度将胶质瘤分为四级。Ⅰ-Ⅱ级胶质瘤被认为是低度胶质瘤（LGG），而Ⅲ-Ⅳ级胶质瘤则被称为高级胶质瘤（HGG）。恶性转化前HGG和LGG的准确分类在治疗规划中起着至关重要的作用。磁共振成像（MRI）是胶质瘤诊断的基石。然而，MRI数据的检查是一个耗时的过程，并且由于人为干预容易出错。在本研究中，我们引入了一种基于自定义卷积神经网络（CNN）的深度学习模型，该模型从头开始训练，并通过传输学习与预处理的AlexNet、GoogLeNet和SqueezeNet进行性能比较，以实现有效的胶质瘤分级预测。我们根据病理证实的104例神经胶质瘤临床病例（50个LGG，54个HGG）训练和测试了模型。使用数据增强技术的组合来扩展训练数据。应用五重交叉验证来评估每个模型的性能。我们比较了模型的敏感性、特异性、F1评分、准确性和受试者操作特征曲线（AUC）下面积的平均值。根据实验结果，我们定制的深度CNN模型取得了与预处理模型相当甚至更好的性能。定制模型的敏感性、特异性、F1评分、准确性和AUC值分别为0.980、0.963、0.970、0.971和0.989。GoogLeNet在准确性和AUC方面表现优于AlexNet和SqueezeNet，敏感性、特异性、F1得分、准确性和AUC值分别为0.980、0.889、0.933、0.933和0.987。AlexNet的敏感性、特异性、F1评分、准确性和AUC值分别为0.940、0.907、0.922、0.923和0.970。对于SqueezeNet，敏感性、特异性、F1评分、准确性和AUC值分别为0.920、0.870、0.893、0.894和0.975。结果表明，所提出的定制模型在将胶质瘤分为LGG和HGG方面的有效性和稳健性。研究结果表明，深度CNN和转移学习方法对于解决医学领域的分类问题非常有用。

工具书类

[1]	R.Chen，M.Smith-Cohn，A.L.Cohen，H.Colman，胶质瘤亚类划分及其临床意义，神经治疗学,14(2017), 284-297. 数字对象标识：10.1007/s13311-017-0519-x
[2]	刘永川，王永华，yes-associated protein 1在胶质瘤中的作用：病理和治疗方面，肿瘤生物学。,36(2015), 2223-2227. 数字对象标识：2007年10月17日/13277-015-3297-2
[3]	D.Persaud-Sharma，J.Burns，J.Trangle，S.Moulik，《美国脑癌的差异：胶质瘤的文献综述》，医学科学。瑞士巴塞尔。,5(2017), 16.
[4]	D.N.Louis、A.Perry、G.Reifenberger、A.von Deimling、D.Figarella-Branger、W.K.Cavenee等人，《2016年世界卫生组织中枢神经系统肿瘤分类：总结》，神经病理学学报。,131(2016), 803-820.
[5]	C.Walker、A.Baborie、D.Crooks、S.Wilkins、M.D.Jenkinson，胶质细胞肿瘤的生物学、遗传学和成像，英国无线电杂志。,84（2011），S90-S106。
[6]	F.Dhermain，高级胶质瘤放射治疗：当前标准和新概念，成像和放射治疗的创新，以及新的治疗方法，下巴。J.癌症,33(2014), 16-24.
[7]	E.M.Sizoo、L.Braam、T.J.Postma、H.R.W.Pasman、J.J.Heimans、M.Klein等，高级别胶质瘤患者临终阶段的症状和问题，神经控制。,12(2010), 1162-1166.
[8]	R.Stupp、W.P.Mason、M.J.van den Bent、M.Weller、B.Fisher、M.J B.Taphoorn等人，《放射治疗加伴随和佐剂替莫唑胺治疗胶质母细胞瘤》，北英格兰。医学杂志。,352(2005), 987-996.
[9]	Q.T.Ostrom，L.Bauchet，F.G.Davis，I.Deltour，J.L.Fisher，C.E.Langer等人，《成人胶质瘤流行病学：“科学现状”综述》，神经控制。,16(2014), 896-913.
[10]	E.B.Claus、K.M.Walsh、J.K.Wiencke、A.M.Molinaro、J.L.Wiemels、J.M.Schildkraut等人，《生存与低级别胶质瘤：遗传信息的出现》，神经外科聚焦,38（2015），E6。
[11]	K.S.Patel，B.S.Carter，C.C.Chen，活组织检查在颅内胶质瘤治疗中的作用，掠夺。神经醇。外科学。,30(2018), 232-243. 数字对象标识：10.1159/000464439
[12]	R.J.Jackson、G.N.Fuller、D.Abi-Said、F.F.Lang、Z.L.Gokaslan、W.M.Shi等，胶质瘤初始治疗中立体定向活检的局限性，神经控制。,三(2001), 193-200.
[13]	M.Preusser、K.Aldape、E.Gerstner、W.Pope、M.Viapanio，《文学亮点》，神经控制。,19(2017), 1154-1157. 数字对象标识：10.1093/neuonc/nox137
[14]	J.Zhang，H.Liu，H.Tong，S.Wang，Y.Yang，G.Liu等，对比增强灌注MRI技术在胶质瘤中的临床应用：最新进展和当前挑战，对比剂分子成像,2017(2017), 1-27.
[15]	E.Moser，A.Stadlbauer，C.Windischberger，H.H.Quick，M.E.Ladd，磁共振成像方法学，欧洲期刊编号。医学分子成像,36(2009), 30-41. 数字对象标识：2007年10月1日/00259-008-0938-3
[16]	A.Patra、A.Janu、A.Sahu，神经危重症护理中的MR成像，印第安J.Crit.Care Med.Peer-Rev.Off.Publ。印度社会临界护理医学。,23（2019），S104-S114。
[17]	S.Waite、J.Scott、B.Gale、T.Fuchs、S.Kolla、D.Reede，放射学解释错误，美国伦琴诺尔。,208(2017), 739-749. 数字对象标识：10.2214/AJR.16.16963
[18]	F.Caranci、E.Tedeschi、G.Leone、A.Reginelli、G.Gatta、A.Pinto等人，《神经放射学错误》，无线电。医学。,120(2015), 795-801.
[19]	Y.Kang，S.H.Choi，Y.-J Kim，K.G.Kim，C.H.Sohn，J.H.Kim等人，《胶质瘤：标准或高b值扩散加权MR成像表观扩散系数图的直方图分析——与肿瘤分级的相关性》，放射科,261(2011), 882-890.
[20]	G.Ranjith，R.Parvathy，V.Vikas，K.Chandrasekharan，S.Nair，《胶质瘤分类的机器学习方法：使用MR波谱提取特征的初步结果》，神经放射素。J。,28(2015), 106-111. 数字对象标识：10.1177/1971400915576637
[21]	F.P.Polly、S.K.Shil、M.A.Hossain、A.Ayman、Y.M.Jang、，基于机器学习的HGG和LGG脑肿瘤检测与分类《第32届信息网络国际会议记录》，泰国，2018年。
[22]	Q.Tian，L.-F.Yan，X.Zhang，X.Zhang，Y.-C.Hu，Y.Han等，利用多参数MRI纹理特征进行神经胶质瘤分级的放射组学策略：神经胶质瘤分级的放射组学方法，J.马格纳。Reson公司。成像,48(2018), 1518-1528.
[23]	毕学良，刘建国，曹永胜，基于多参数放射模型的低级别和高级胶质瘤分类《第三届IEEE信息技术、网络、电子和自动化控制会议论文集》，中国，2019年。
[24]	G.Cui，J.Jeong，B.Press，Y.Lei，H.K.Shu，T.Liu，et al.，利用多参数MRI的放射特征对低级别胶质瘤和高级别胶质瘤进行基于机器学习的分类，预印本，arXiv:1911.10145。
[25]	A.S.Lundervold，A.LundervoldMRI医学成像深度学习概述，Z.物理。,29(2019), 102-127.
[26]	K.Fukushima，一个不受位置变化影响的模式识别机制的自组织神经网络模型，生物、网络。,36(1980), 193-202. 数字对象标识：2007年10月10日/BF00344251
[27]	J.Gao，Q.Jiang，B.Zhou，D.Chen，医学图像分析中用于计算机辅助检测或诊断的卷积神经网络：概述，数学。Biosci公司。工程师。,16(2019), 6536-6561. 数字对象标识：10.3934/mbe.2019326年
[28]	J.Yosinski，J.Clune，Y.Bengio，H.Lipson，深度神经网络中的特征是如何转移的？，预印本，arXiv:1411.1792。
[29]	E.I.Zacharaki，S.Wang，S.Chawla，D.Soo Yoo，R.Wolf，E.R.Melhem等，在机器学习方案中使用MRI纹理和形状对脑肿瘤类型和等级进行分类，Magn.公司。Reson公司。医学。,62(2009), 1609-1618.
[30]	A.Ditmer，B.Zhang，T.Shujaat，A.Pavlina，N.Luibrand，M.Gaskill-Shipley等，MRI纹理分析对胶质瘤分级的诊断准确性，神经瘤杂志。,140(2018), 583-589.
[31]	S.Banerjee，S.Mitra，F.Masulli，S.Rovetta，《利用多序列MRI进行脑肿瘤检测和分类的深度辐射学》，预印本，arXiv:1903.09240。
[32]	Y.Zhugge，H.Ning，P.Mathen，J.Y.Cheng，A.V.Krauze，K.Camphausen，et al.，使用深度卷积神经网络对常规MRI图像进行胶质瘤自动分级，医学物理。,47(2020), 3044-3053.
[33]	E.Lotan、R.Jain、N.Razavian、G.M.Fatterpekar、Y.W.Lui，《最新技术：机器学习在胶质瘤成像中的应用》，美国伦琴诺尔。,212(2019), 26-37. 数字对象标识：2014年10月22日/AJR.18.20218
[34]	P.Korfaitis，B.Erickson，深度学习可以看到看不见的东西：从脑胶质瘤的MRI预测分子标记，临床。无线电。,74(2019), 367-373. 数字对象标识：2016年10月10日/j.crad.2019.01.028
[35]	R.Takahashi，T.Matsubara，K.Uehara，使用随机图像裁剪和修补深度CNN的数据增强，IEEE传输。电路系统。视频技术。,30(2020), 2917-2931. 数字对象标识：10.1109/TCSVT.2019.2935128
[36]	J.Ding，X.Li，X.Kang，V.N.Gudivada，深度学习培训数据的增强和评估案例研究，J.数据信息质量。,11(2019), 1-22.
[37]	O.Fink，Q.Wang，M.Svensén，P.Dersin，W.-J.Lee，M.Ducoffe，深度学习在预测和健康管理应用中的潜力、挑战和未来方向，工程应用。Artif公司。智力。,92(2020), 103678.
[38]	M.D.Bloice，C.Stocker，A.Holzinger，增强器：用于机器学习的图像增强库，预打印，arXiv:1708.04680。
[39]	G.Liu，K.J.Shih，T.-C.Wang，F.A.Reda，K.Sapra，Z.Yu等，基于部分卷积的填充，预印本，arXiv:1811.11718。
[40]	S.Ioffe，C.Szegedy，《批量规范化：通过减少内部协变量偏移来加速深层网络训练》，预印本，arXiv:1502.03167。
[41]	J.L.Ba、J.R.Kiros、G.E.Hinton，《层规范化，预印本》，arXiv:1607.06450。
[42]	K.He，X.Zhang，S.Ren，J.Sun，《深入研究整流器：在ImageNet分类、预打印、arXiv:1502.01852方面超越人类水平的表现》。
[43]	B.Xu，N.Wang，T.Chen，M.Li，卷积网络中校正激活的实证评估，预印本，arXiv:1505.00853。
[44]	C.Banerjee、T.Mukherjee和E.Pasiliao，ReLU激活函数推广的实证研究《第20届ACM经济与计算会议论文集》，美国，2019年。
[45]	M.Ranzato、F.J.Huang、Y.-L.Boureau、Y.LeCun、，不变特征层次的无监督学习及其在目标识别中的应用，第25届IEEE计算机视觉和模式识别会议论文集，美国，2007年。
[46]	N.Srivastava、G.Hinton、A.Krizhevsky、I.Sutskever、R.Salakhutdinov，《辍学：防止神经网络过度拟合的简单方法》，J.马赫。学习。物件。,15(2014), 1929-1958.
[47]	L.Bottou，随机梯度下降技巧，in神经网络：交易技巧（编辑G.Montavon、G.B.Orr和K.-R.Müller），施普林格-柏林-海德堡，（2012），421-436。
[48]	J.Deng、W.Dong、R.Socher、L.-J.Li、K.Li、L.Fei-Fei、，ImageNet：大规模分层图像数据库《第27届IEEE计算机视觉和模式识别会议论文集》，美国，2009年。
[49]	A.Krizhevsky，I.Sutskever，G.E.Hinton，使用深度卷积神经网络进行ImageNet分类，Commun公司。ACM公司,60(2017), 84-90. 数字对象标识：10.1145/3065386
[50]	C.Szegedy、Wei Liu、Yangqing Jia、P.Sermanet、S.Reed、D.Angelov等。，用卷积深入《第28届IEEE计算机视觉和模式识别会议论文集》，美国，2015年。
[51]	F.N.Iandola、S.Han、M.W.Moskewicz、K.Ashraf、W.J.Dally、K.Keutzer、SqueezeNet：AlexNet级精度，50×更少的参数和<0.5mb的模型大小，预打印，arXiv:1602.07360。
[52]	G.Raskutti，M.J.Wainwright，B.Yu，《早期停止和非参数回归：最佳数据依赖停止规则》，J.马赫。学习。物件。,15(2014), 335-266.
[53]	L.Prechelt，提前停止-但什么时候？，在里面神经网络：交易技巧（编辑G.B.Orr和K.-R.Müller），施普林格-柏林-海德堡，（1998），55-69。
[54]	J.A.Hanley，B.J.McNeil，接收器工作特性（ROC）曲线下面积的含义和使用。，放射科,143(1982), 29-36. 数字对象标识：10.1148/放射学.143.1.7063747