Объяснимый искусственный интеллект с использованием сегментации на основе UNet и байесовского машинного обучения для классификации опухолей головного мозга по МРТ-изображениям

Раннее выявление опухолей головного мозга (ОГМ) расширяет возможности лечения и повышает показатели выживаемости пациентов. Магнитно-резонансная томография (МРТ) обеспечивает более полную информацию, включая лучший контраст и четкость, по сравнению с альтернативными методами визуализации. Ручная сегментация ОГМ на многочисленных МРТ-изображениях, полученных в клинической практике для анализа онкологических заболеваний, является сложной и трудоемкой задачей. Методы, основанные на машинном обучении и искусственном интеллекте, позволяют выявлять опухоли на МРТ-сканах головного мозга, упрощая диагностический процесс для врачей. Иногда МРТ-изображения могут выглядеть нормально, даже если у пациента имеется опухоль или злокачественное новообразование. В последнее время для анализа медицинских изображений применяются методы глубокого обучения, основанные на глубоких сверточных нейронных сетях, демонстрирующие многообещающие результаты. Эти методы могут способствовать более быстрой диагностике и снижению числа некоторых медицинских ошибок. Исходя из этого, в статье представлена новая методика объяснимого искусственного интеллекта с семантической сегментацией и байесовским машинным обучением для выявления опухолей головного мозга (XAISS-BMLBT). Предложенная методика XAISS-BMLBT главным образом ориентирована на семантическую сегментацию и классификацию ОГМ на МРТ-изображениях. Сначала выполняется предварительная обработка изображений на основе билатеральной фильтрации для удаления шума. Затем методика XAISS-BMLBT осуществляет сегментацию MEDU-Net+ для выделения пораженных областей головного мозга. Для извлечения признаков используется модель ResNet50. Кроме того, для выявления наличия ОГМ применяется байесовская регуляризованная искусственная нейронная сеть (BRANN). Наконец, для настройки гиперпараметров BRANN используется усовершенствованная модель оптимизации радиального движения. Для демонстрации повышенной эффективности методики XAISS-BMLBT была проведена серия симуляций с использованием эталонной базы данных. Экспериментальная проверка показала, что методика XAISS-BMLBT достигла точности 97,75%, превзойдя существующие модели.