Ранняя диагностика опухолей головного мозга на МР-изображениях с использованием гибридных методов глубокого и машинного обучения

Рак считается одним из наиболее агрессивных и разрушительных заболеваний, сокращающих продолжительность жизни пациентов. Ошибочная диагностика опухолей головного мозга приводит к необоснованным медицинским вмешательствам и снижает шансы пациентов на выживание. Точная ранняя диагностика опухолей головного мозга имеет решающее значение для своевременного начала лечения, способного увеличить выживаемость. Системы автоматизированной диагностики неоднократно демонстрировали эффективность, помогая врачам устанавливать точный диагноз, и способствовали значительному прогрессу в области глубокого и машинного обучения. Глубокие свёрточные слои извлекают из областей интереса более информативные признаки, позволяющие лучше различать классы, чем признаки, полученные традиционными методами. В настоящем исследовании проведён ряд экспериментов по диагностике опухолей головного мозга с объединением методов глубокого и традиционного машинного обучения. Для классификации и диагностики опухолей использовали AlexNet и ResNet-18 в сочетании с методом опорных векторов (SVM). МР-изображения опухолей головного мозга улучшали с помощью фильтра усреднения. Затем применяли методы глубокого обучения для извлечения устойчивых и информативных признаков посредством глубоких свёрточных слоёв. После этого объединяли методы глубокого и машинного обучения: признаки извлекали с помощью AlexNet и ResNet-18, а затем классифицировали с использованием SoftMax и SVM. Набор данных МР-изображений включал 3060 изображений, разделённых на четыре класса: три типа опухолей и класс нормы. Все системы продемонстрировали высокие результаты. Наилучшие показатели получены при использовании гибридного метода AlexNet+SVM: точность — 95,10%, чувствительность — 95,25%, специфичность — 98,50%.