Выявление опухолей головного мозга по данным МРТ с использованием методов глубокого обучения на основе свёрточных нейронных сетей и избранных методов машинного обучения

Введение: Раннее выявление опухолей головного мозга имеет решающее значение. Опухоли головного мозга классифицируют по результатам биопсии, выполнить которую можно только в ходе оперативного вмешательства на головном мозге. Методы вычислительного интеллекта могут помочь врачам выявлять и классифицировать опухоли головного мозга. В настоящем исследовании предложены два метода глубокого обучения и несколько подходов машинного обучения для диагностики трёх типов опухолей — глиомы, менингиомы и опухолей гипофиза, — а также для распознавания здорового мозга без опухолевых изменений по МР-изображениям головного мозга, что должно обеспечить высокоточную диагностику опухолей на ранних стадиях.

Материалы и методы: В исследовании использовали набор данных из 3264 МР-изображений головного мозга, включавший изображения глиом, менингиом, опухолей гипофиза и здорового мозга. Сначала к МР-изображениям применили алгоритмы предварительной обработки и аугментации. Затем разработали новую двумерную свёрточную нейронную сеть (CNN) и свёрточную сеть-автоэнкодер; обе сети обучили с использованием заданных гиперпараметров. Двумерная CNN включала несколько свёрточных слоёв; во всех слоях этой иерархической сети использовалось ядро размером 2 × 2. Сеть состояла из восьми свёрточных и четырёх слоёв пулинга, а после свёрточных слоёв применялись слои пакетной нормализации. Модифицированная сеть-автоэнкодер включала свёрточный автоэнкодер и свёрточную классификационную сеть, использующую выход последнего кодирующего слоя первой части. Кроме того, в исследовании сравнили шесть методов машинного обучения, применённых для классификации опухолей головного мозга.

Результаты: Точность обучения предложенных двумерной CNN и сети-автоэнкодера составила 96,47 и 95,63% соответственно. Средняя полнота для двумерной CNN и сети-автоэнкодера составила 95 и 94% соответственно. Площадь под ROC-кривой для обеих сетей составляла от 0,99 до 1. Среди применённых методов машинного обучения многослойный перцептрон (MLP) и метод k-ближайших соседей (KNN) продемонстрировали соответственно наименьшую и наибольшую точность — 28 и 86%. Статистические тесты выявили значимое различие между средними значениями показателей двух разработанных в исследовании методов и нескольких методов машинного обучения (p < 0,05).

Выводы: Предложенная двумерная CNN обеспечивает оптимальную точность классификации опухолей головного мозга. Сравнение эффективности различных CNN и методов машинного обучения при диагностике трёх типов опухолей головного мозга показало, что двумерная CNN обеспечивает высокие результаты и оптимальное время выполнения без задержек. Эта сеть менее сложна, чем сеть-автоэнкодер, и может применяться радиологами и врачами в клинических системах для выявления опухолей головного мозга.