Выявление опухолей головного мозга на основе методов глубокого обучения и магнитно-резонансной томографии

Brain Tumor Detection Based on Deep Learning Approaches and Magnetic Resonance Imaging
Akmalbek Bobomirzaevich Abdusalomov, Mukhriddin Mukhiddinov, Taeg Keun Whangbo
2023-08-18

двунаправленная пирамидальная сеть признаковмодуль пространственного внимания CBAMYOLOv7обнаружение опухолей мозгамагнитно-резонансная томография
Быстрое развитие аномальных клеток головного мозга, характерное для опухоли головного мозга, представляет серьезную угрозу для здоровья взрослых, поскольку может привести к тяжелому нарушению функций органов и даже смерти. Эти опухоли значительно различаются по размеру, структуре и локализации. Магнитно-резонансная томография (МРТ) является важным инструментом для выявления раковых опухолей. Однако ручное обнаружение опухолей головного мозга представляет собой сложную и трудоемкую задачу и может приводить к неточностям. Для решения этой проблемы мы предлагаем усовершенствованную модель You Only Look Once версии 7 (YOLOv7) для точного выявления менингиом, глиом и опухолей гипофиза в составе улучшенной системы обнаружения опухолей головного мозга. Визуальное представление МРТ-сканов улучшается с помощью методов обработки изображений, применяющих различные фильтры к исходным изображениям. Для дальнейшего повышения качества обучения предложенной модели мы применяем методы аугментации данных к общедоступному набору данных об опухолях головного мозга. Сформированный набор данных включает широкий спектр случаев: 2548 изображений глиом, 2658 изображений опухолей гипофиза, 2582 изображения менингиом и 2500 изображений без опухолей. Мы интегрировали модуль внимания свертки (Convolutional Block Attention Module, CBAM) в YOLOv7 для дальнейшего улучшения возможностей извлечения признаков, что позволяет уделять больше внимания значимым областям, связанным со злокачественными опухолями головного мозга. Для повышения чувствительности модели в базовую архитектуру сети был добавлен слой Spatial Pyramid Pooling Fast+ (SPPF+). YOLOv7 также включает раздельные головки, позволяющие эффективно извлекать полезную информацию из разнообразных данных. Кроме того, двунаправленная пирамидальная сеть признаков (Bi-directional Feature Pyramid Network, BiFPN) используется для ускорения многоуровневого слияния признаков и более эффективного выделения признаков, связанных с опухолями. Результаты подтверждают эффективность предложенного метода, который обеспечивает более высокую общую точность обнаружения опухолей по сравнению с предшествующими современными моделями. Следовательно, данная система обладает значительным потенциалом...
1
В YOLOv7 интегрированы механизм внимания CBAM, слой SPPF+, разделённые detection-головы и BiFPN для выделения значимых областей и слияния признаков опухолей разных масштабов.
2
Для улучшения визуального качества МРТ и обучения модели применяются методы обработки изображений и аугментации данных на общедоступном наборе.
3
Сформированный набор данных содержит 2548 изображений глиом, 2658 изображений опухолей гипофиза, 2582 изображения менингиом и 2500 изображений без опухолей.
4
Согласно аннотации, предложенная система обеспечивает более высокую общую точность обнаружения опухолей по сравнению с ранее опубликованными передовыми моделями.
5
В работе представлена усовершенствованная архитектура YOLOv7 для обнаружения глиом, менингиом, опухолей гипофиза и случаев без опухоли на МРТ.

МРТ-сканы головного мозга с менингиомой, глиомой, опухолью гипофиза или без опухоли

Точное обнаружение и классификация опухолей головного мозга, включая чувствительность к значимым опухолевым областям и многоуровневым признакам опухолей

Publication Details
Publication Date
2023-08-18
Journal
Publisher
ISSN
Cited by
505
Access Type
Author Information
Authors
Akmalbek Bobomirzaevich Abdusalomov
Mukhriddin Mukhiddinov
Taeg Keun Whangbo
Explore further
Open the scid.ai AI chat with a ready-made request: it will find papers on a similar topic and help build a literature review.
Find similar papers in the chat →
Make a presentation
100%