<div>
	Сегментация опухоли головного мозга на магнитно-резонансной томографии с использованием нечеткого деформируемого слияния и алгоритма Dolphin-SCA</div>

Хемант Типле Анджали, Какаде Анандрао Б.

doi:10.17586/2226-1494-2023-23-4-776-785

2023 , ТОМ 23, НОМЕР 4 ( июль-август )

ISSN 2226-1494 (print), ISSN 2500-0373 (online)

Меню

Публикации

Главный редактор

НИКИФОРОВ
Владимир Олегович
д.т.н., профессор

Партнеры

doi: 10.17586/2226-1494-2023-23-4-776-785

УДК 004.89

Сегментация опухоли головного мозга на магнитно-резонансной томографии с использованием нечеткого деформируемого слияния и алгоритма Dolphin-SCA

Типле А.Х., Какаде А.

Читать статью полностью

Язык статьи - английский

Ссылка для цитирования:

Типле А.Х., Какаде А.Б. Сегментация опухоли головного мозга на магнитно-резонансной томографии с использованием нечеткого деформируемого слияния и алгоритма Dolphin-SCA // Научно-технический вестник информационных технологий, механики и оптики. 2023. Т. 23, № 4. С. 776–785 (на англ. яз.). doi: 10.17586/2226-1494-2023-23-4-776-785

Аннотация

Прекращение функционирования мозга человека на небольшой промежуток времени приводит к смерти. Лечение нарушений головного мозга должно проводиться на ранней стадии и до появления клинических симптомов. Опухоль головного мозга является одним из самых серьезных заболеваний. Развитие опухоли можно обнаружить с помощью магнитно-резонансной томографии (МРТ). В связи с наличием шумов на изображении МРТ опухоль сложно точно и быстро диагностировать. Одно из решений в диагностике опухолей — использование сегментации изображений головного мозга на МРТ. В работе представлена модель томограммы головного мозга обработанная с помощью нелокальных средств (Non-Local Means, NLM) для уменьшения шума от захваченных необработанных данных. Полученное изображение сегментировано с помощью определения областей интереса (ROI) и деформируемой нечеткой системы слияния. Система слияния сочетала в себе метод нечеткой кластеризации C-средних (Fuzzy C-Means, FCM) и деформируемых систем. Выполнен анализ значений пригодности констант α и β сегментированных изображений моделей, объединенных с использованием алгоритма синус-косинуса на основе эхолокации Dolphin-SCA. Интегрированный вывод алгоритма классифицирован с помощью глубокого классификатора (Convolutional Neural Network, CNN). Проведен анализ и сравнение экспериментальных данных созданной модели с текущими методологиями. Значения показателей эффективности предлагаемой модели для селективности, прецизионности, правильности и ошибок составили 0,90, 0,89, 0,88 и 0,10 соответственно. Таким образом, по сравнению с предыдущими стратегиями, предлагаемый подход превосходит ранее применяемые методы.

Ключевые слова: Dolphin-SCA, метод нечеткой кластеризации C-средних, FCM, деформируемая модель, определение областей интереса, ROI, нелокальные средства, NLM, сегментация опухоли

Список литературы

Amin J., Sharif M., Yasmin M., Saba T., Anjum M.A., Fernandes S.L. A new approach for brain tumor segmentation and classification based on score level fusion using transfer learning // Journal of Medical Systems.2019.V. 43.N 11.P. 326. https://doi.org/10.1007/s10916-019-1453-8
Sultan H.H., Salem N.M., Al-Atabany W. Multi-classification of brain tumor images using deep neural network // IEEE Access. 2019.V. 7.P. 69215–69225. https://doi.org/10.1109/access.2019.2919122
Noreen N., Palaniappan S., Qayyum A., Ahmad I., Imran M., Shoaib M. A deep learning model based on concatenation approach for the diagnosis of brain tumor // IEEE Access. 2020. V. 8. P. 55135–55144. https://doi.org/10.1109/access.2020.2978629
Swati Z.N.K., Zhao Q., Kabir M., Ali F., Ali Z., Ahmed S., Lu J. Brain tumor classification for MR images using transfer learning and fine-tuning // Computerized Medical Imaging and Graphics.2019.V. 75.P. 34–46. https://doi.org/10.1016/j.compmedimag.2019.05.001
Vaibhavi P., Rupal K. Brain tumor segmentation using K-means–FCM hybrid technique // Advances in Intelligent Systems and Computing. 2018. V. 696. P. 341–352. https://doi.org/10.1007/978-981-10-7386-1_30
Sandhya S., Chidambararajan B., Kumar M.S. FCM-based segmentation and neural network classification of tumor in brain MRI images // Advances in Intelligent Systems and Computing. 2021.V. 1167. P. 371–378. https://doi.org/10.1007/978-981-15-5285-4_37
Daimary D., Bora M.B., Amitab K., Kandar D. Brain tumor segmentation from MRI images using hybrid convolutional neural networks // Procedia Computer Science. 2020. V. 167. P. 2419–2428. https://doi.org/10.1016/j.procs.2020.03.295
Khairandish M.O., Sharma M., Jain V., Chatterjee J.M., Jhanjhi N.Z. A Hybrid CNN-SVM threshold segmentation approach for tumor detection and classification of MRI brain images // IRBM. 2022. V. 43. N 4. P. 290–299. https://doi.org/10.1016/j.irbm.2021.06.003
Aygün M., Şahin Y.H., Ünal G. Multi modal convolutional neural networks for brain tumor segmentation // arXiv. 2018. arXiv:1809.06191. https://doi.org/10.48550/arXiv.1809.06191
Badža M.M., Barjaktarović M.Č. Classification of brain tumors from MRI images using a convolutional neural network // Applied Sciences. 2020. V. 10. N 6. P. 1999. https://doi.org/10.3390/app10061999
Sheela C.J.J., Suganthi G. Automatic brain tumor segmentation from MRI using greedy snake model and fuzzy C-means optimization // Journal of King Saud University — Computer and Information Sciences. 2022. V. 34. N 3. P. 557–566. https://doi.org/10.1016/j.jksuci.2019.04.006
Hrosik R.C., Tuba E., Dolicanin E., Jovanovic R., Tuba M. Brain image segmentation based on firefly algorithm combined with k-means clustering // Studies in Informatics and Control. 2019. V. 28. N 2. P. 167–176. https://doi.org/10.24846/v28i2y201905
Huang H., Meng F., Zhou S., Jiang F., Manogaran G. Brain image segmentation based on FCM clustering algorithm and rough set // IEEE Access. 2019. V. 7. P. 12386–12396. https://doi.org/10.1109/access.2019.2893063
Srinivas K., Kantapalli B. Segmentation of MR brain images using unified iterative partitioned fuzzy clustering // International Journal of Recent Technology and Engineering.2019.V. 8.N 1.P. 2755–2758.
Ali M., Gilani S.O., Waris A., Zafar K., Jamil M. Brain tumour image segmentation using deep networks // IEEE Access.2020.V. 8.P. 153589–153598. https://doi.org/10.1109/access.2020.3018160
Kanoun B., Ambrosanio, M., Baselice F., Ferraioli G., Pascazio V., Gómez L. Anisotropic weighted KS-NLM filter for noise reduction in MRI // IEEE Access. 2020. V. 8. P. 184866–184884. https://doi.org/10.1109/access.2020.3029297
Sun L., Shao W., Zhang D., Liu M. Anatomical attention guided deep networks for ROI segmentation of brain MR images // IEEE Transactions on Medical Imaging. 2020. V. 39. N 6. P. 2000–2012. https://doi.org/10.1109/tmi.2019.2962792
Ismael M.R. Edge enhancement based active contour model for segmentation of brain tumor in MRI images // ECTI Transactions on Electrical Engineering, Electronics, and Communications. 2021. V. 19. N 3. https://doi.org/10.37936/ecti-eec.2021193.244942
Ghosh P., Mali K., Das S.K. Chaotic firefly algorithm-based fuzzy C-means algorithm for segmentation of brain tissues in magnetic resonance images // Journal of Visual Communication and Image Representation. 2018. V. 54. P. 63–79. https://doi.org/10.1016/j.jvcir.2018.04.007
Kumar S., Mankame D.P. Optimization driven deep convolution neural network for brain tumor classification // Biocybernetics and Biomedical Engineering. 2020. V. 40. N 3. P. 1190–1204. https://doi.org/10.1016/j.bbe.2020.05.009

This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License