×

深卷积神经网络用于胶质瘤分类的比较研究。 (英语) Zbl 1471.92184号

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例胶质瘤临床病例(50例LGG,54例HGG)训练和测试模型。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。

MSC公司:

92 C55 生物医学成像和信号处理
68T07型 人工神经网络与深度学习
68T45型 机器视觉和场景理解
PDF格式BibTeX公司 XML格式引用
全文: 内政部

参考文献:

[1] R、 胶质瘤亚类划分及其临床意义,《神经治疗学》,14,284-297(2017)·doi:10.1007/s13311-017-0519-x
[2] Y、 yes相关蛋白1在胶质瘤中的作用:病理学和治疗方面,肿瘤生物学。,36, 2223-2227 (2015) ·doi:10.1007/s13277-015-3297-2
[3] D、 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, 16 (2017)
[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》,英国放射医学杂志。,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》,Chin。《癌症杂志》,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》,神经病学杂志。,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》,新英格兰。《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,《成人脑胶质瘤流行病学:“科学现状”综述》,神经病学杂志。,16 (2014), 896-913.
[10] E.B.Claus、K.M.Walsh、J.K.Wiencke、A.M.Molinaro、J.L.Wiemels、J.M.Schildkraut等,《生存和低度胶质瘤:遗传信息的出现》,《神经外科聚焦》,38(2015),E6。
[11] K、 活检在颅内胶质瘤治疗中的作用。神经醇。外科,30,232-243(2018)·doi:10.11159/000464439
[12] R.J.Jackson、G.N.Fuller、D.Abi-Said、F.F.Lang、Z.L.Gokaslan、W.M.Shi等,《立体定向活检在胶质瘤初始治疗中的局限性》,神经肿瘤。,3 (2001), 193-200.
[13] M、 文献亮点,Neuro-Oncol。,19, 1154-1157 (2017) ·doi:10.1093/neuonc/nox137
[14] J.Zhang,H.Liu,H.Tong,S.Wang,Y.Yang,G.Liu等,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、 《磁共振成像方法学》,Eur.J.Nucl。医学分子成像,36,30-41(2009)·doi:10.1007/s00259-008-0938-3
[16] A.Patra,A.Janu,A.Sahu,《神经危重症治疗中的MR成像》,《印度危重症医学杂志》,同行评论,出版。印度社会护理医学,23(2019),S104-S114。
[17] S、 放射学中的解释性错误,美国伦琴诺医学杂志。,208, 739-749 (2017) ·doi: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》,《放射学》。《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成像与肿瘤分级相关性的表观扩散系数图的直方图分析》,放射学,261(2011),882-890。
[20] G、 胶质瘤分类的机器学习方法:使用从MR波谱提取的特征的初步结果,神经放射。J.,28,106-111(2015)·doi:10.1177/1971400915576637
[21] F.P.Polly,S.K.Shil,M.A.Hossain,A.Ayman,Y.M.Jang,使用机器学习检测和分类HGG和LGG脑肿瘤,第32届信息网络国际会议论文集,泰国,2018年。
[22] Q.Tian,L.-F.Yan,X.Zhang,X.张,Y.C.Hu,Y.Han,等,利用多参数MRI纹理特征进行胶质瘤分级的放射学策略:胶质瘤分级放射学方法,J.Magn。Reson公司。《成像》,48(2018),1518-1528。
[23] X.Bi,J.G.Liu,Y.S.Cao,利用多参数辐射模型对低级别和高级别胶质瘤进行分类,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、 医学影像学深度学习概述,聚焦MRI,Z.Phys。,29202-127(2019)
[26] K、 用于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,Biol。赛博。,36, 193-202 (1980) ·Zbl 0419.92009号 ·doi:10.1007/BF00344251
[27] J、 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,16,6536-6561(2019)·Zbl 1470.92167号 ·doi:10.3934/mbe.2019326年
[28] J.Yosinski,J.Clune,Y.Bengio,H.Lipson,深度神经网络中的特征如何转移?,预印本,arXiv:1411.1792。
[29] E.I.Zacharaki,S.Wang,S.Chawla,D.Soo Yoo,R.Wolf,E.R.Melhem,et al.,使用机器学习方案中的MRI纹理和形状对脑肿瘤类型和等级进行分类,Magn。Reson公司。医学,62(2009),1609-1618。
[30] A.Ditmer,B.Zhang,T.Shujaat,A.Pavlina,N.Luibrand,M.Gaskill-Shipley,et al.,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、 最新技术:机器学习在神经胶质瘤成像中的应用,美国伦琴杂志。,212, 26-37 (2019) ·doi:10.2214/AJR.18.20218
[34] P、 深度学习可以看到不可见的东西:从脑胶质瘤的MRI预测分子标志物,临床。无线电。,74, 367-373 (2019) ·doi:10.1016/j.crad.2019.01.028
[35] R、 使用随机图像裁剪和修补深度CNN的数据增强,IEEE Trans。电路系统。视频技术。,30, 2917-2931 (2020) ·doi:10.109/TCSVT.2019.2935128
[36] J、 深度学习培训数据的增强和评估案例研究,J.data Inf.Qual。,11, 1-22 (2019)
[37] O.Fink,Q.Wang,M.Svensén,P.Dersin,W.-J.Lee,M.Ducoff,《预测和健康管理应用中深度学习的潜力、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,关于ReLU激活函数泛化的实证研究,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对象识别中的应用,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、 辍学:一种防止神经网络过拟合的简单方法,J.Mach。学习。1929-1958年第15号决议(2014年)·Zbl 1318.68153号
[47] L.Bottou,《随机梯度下降技巧》,摘自《神经网络:交易技巧》(Neural Networks:tricks of the Trade)(编辑G.Montavon、G.B.Orr和K.-R.Müller),施普林格-柏林-海德堡出版社(2012),第421-436页。
[48] J.Deng,W.Dong,R.Socher,L.-J.Li,K.Li,L.Fei-Fei,ImageNet:大型分层图像数据库,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、 使用深度卷积神经网络进行ImageNet分类,Commun。ACM,60,84-90(2017)·doi:10.1145/3065386
[50] C.Szegedy,Wei Liu,Yangqing Jia,P.Sermanet,S.Reed,D.Angelov,et al.,《卷积深入研究》,第28届IEEE计算机视觉与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、 早期停止和非参数回归:最佳数据相关停止规则,J.Mach。学习。决议,第15号,第335-266页(2014年)·Zbl 1318.62136号
[53] L.Prechelt,提前停止-但什么时候?,《神经网络:贸易的诡计》(编辑G.B.Orr和K.-R.Müller),施普林格-柏林-海德堡(1998),55-69。
[54] J、 接收机工作特性(ROC)曲线下面积的含义和用途。,放射学,143,29-36(1982)·doi:10.1148/放射学.143.1.7063747
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配,可能包含数据转换错误。在某些情况下,zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献,而不要求完整或完全匹配。