Мультимодальная классификация опухолей головного мозга с использованием глубокого обучения и надёжного отбора признаков: применение машинного обучения для радиологов

Ручная идентификация опухолей головного мозга у радиологов — трудоёмкий и подверженный ошибкам процесс, поэтому требуется автоматизированная система. Бинарная классификация, например на злокачественные и доброкачественные опухоли, относительно проста, тогда как мультимодальная классификация опухолей головного мозга по изображениям T1, T2, T1CE и FLAIR представляет для радиологов сложную задачу. Здесь мы представляем автоматизированный метод мультимодальной классификации с использованием глубокого обучения для определения типа опухоли головного мозга. Предложенный метод состоит из пяти основных этапов. На первом этапе применяют линейное растяжение контраста с использованием выравнивания гистограммы на основе границ и дискретного косинусного преобразования. На втором этапе выполняют извлечение признаков с помощью глубокого обучения. Для этого методом трансферного обучения использовали две предварительно обученные сверточные нейронные сети, VGG16 и VGG19, для извлечения признаков. На третьем этапе реализовали подход совместного обучения на основе коррентности вместе с машиной экстремального обучения для отбора лучших признаков. На четвертом этапе робастные ковариационные признаки, основанные на методе частичных наименьших квадратов, были объединены в одну матрицу. Полученную объединенную матрицу подали на вход машине экстремального обучения для финальной классификации. Предложенный метод был валидирован на наборах данных BraTS; достигнута точность 97,8%, 96,9% и 92,5% для BraTS2015, BraTS2017 и BraTS2018 соответственно.