<div>
	Классификация поражений рассеянным склерозом посредством анализа изображений магнитно-резонансной томографии методом глубокого обучения</div>

Дивья Матаван, Дхилипан Джейсилан, Сараванан Аппу

doi:10.17586/2226-1494-2024-24-5-824-833

2024 , ТОМ 24, НОМЕР 5 ( сентябрь-октябрь )

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

Меню

Публикации

Главный редактор

НИКИФОРОВ
Владимир Олегович
д.т.н., профессор

Партнеры

doi: 10.17586/2226-1494-2024-24-5-824-833

УДК 004.89

Классификация поражений рассеянным склерозом посредством анализа изображений магнитно-резонансной томографии методом глубокого обучения

Дивья М., Дхилипан Д., Сараванан А.

Читать статью полностью

Язык статьи - английский

Ссылка для цитирования:

Дивья М., Дхилипан Дж., Сараванан А. Классификация поражений рассеянным склерозом посредством анализа изображений магнитно-резонансной томографии методом глубокого обучения // Научно-технический вестник информационных технологий, механики и оптики. 2024. Т. 24, № 5. С. 824–833 (на англ. яз.). doi: 10.17586/2226-1494-2024-24-5-824-833

Аннотация

Рассеянный склероз (РС) представляет собой прогрессирующее аутоиммунное заболевание, поражающее центральную нервную систему. Раннее и точное обнаружение поражений РС на снимках магнитно-резонансной томографии (МРТ) головного мозга имеет решающее значение для эффективного лечения. В работе предлагается классификация на основе глубокого обучения для автоматического обнаружения и диагностики поражений РС на снимках МРТ, использующий сверточные нейронные сети (Convolutional Neural Network, CNNs) для точной идентификации и классификации поражений. Классификация включает в себя всесторонний анализ наборов данных МРТ и этапы их предварительной обработки, такие как нормализация и сегментация поражений. Предложенная архитектура CNN, разработанная для обнаружения поражений РС, достигает точности 98,2 % на тестовом наборе данных. Благодаря внедрению передовых методов распознавания изображений, представленный метод глубокого обучения классифицирует поражения РС среди различных патологий мозга, присутствующих на снимках МРТ. Метод выделяет поражения РС на снимках МРТ, помогая нейрорадиологам в точной диагностике и планировании лечения. Исследование вносит вклад в улучшение диагностики РС, предоставляя надежный и автоматизированный инструмент обнаружения и классификации поражений.

Ключевые слова: рассеянный склероз, машинное обучение, МРТ

Список литературы

López-Dorado A., Pérez J., Rodrigo M.J., Miguel-Jiménez J.M., Ortiz M., de Santiago L., López-Guillén E., Blanco R., Cavalliere C., Morla E.M.S., Boquete L., Garcia-Martin E. Diagnosis of multiple sclerosis using multifocal ERG data feature fusion // Information Fusion. 2021. V. 76. P. 157–167. https://doi.org/10.1016/j.inffus.2021.05.006
Mohseni E., Moghaddasi S.M. A hybrid approach for MS diagnosis through nonlinear EEG descriptors and metaheuristic optimized classification learning // Computational Intelligence and Neuroscience. 2022. V. 2022. P. 5430528. https://doi.org/10.1155/2022/5430528
Ahmadi A., Davoudi S., Daliri M.R. Computer Aided Diagnosis System for multiple sclerosis disease based on phase to amplitude coupling in covert visual attention // Computer Methods and Programs in Biomedicine. 2019. V. 169. P. 9–18. https://doi.org/10.1016/j.cmpb.2018.11.006
Karaca B.K., Akşahin M.F., Öcal R. Detection of multiple sclerosis from photic stimulation EEG signals // Biomedical Signal Processing and Control. 2021. V. 67. P. 102571. https://doi.org/10.1016/j.bspc.2021.102571
De Santiago L., Morla E.M.S., Ortiz M., López E., Usanos C.A., Alonso-Rodríguez M.C., Barea R., Cavaliere-Ballesta C., Fernández A., Boquete L. A computer-aided diagnosis of multiple sclerosis based on mfVEP recordings // PLoS ONE. 2019. V. 14. N 4. P. e0214662. https://doi.org/10.1371/journal.pone.0214662
Yperman J., Becker T., Valkenborg D., Popescu V., Hellings N., Van Wijmeersch B., Peeters L.M. Machine learning analysis of motor evoked potential time series to predict disability progression in multiple sclerosis // BMC Neurology. 2020. V. 20. N 1. P. 105. https://doi.org/10.1186/s12883-020-01672-w
Solana E., Martinez-Heras E., Casas-Roma J., Calvet L., Lopez-Soley E., Sepulveda M., Sola-Valls N., Montejo C., Blanco Y., Pulido-Valdeolivas I., Andorra M., Saiz A., Prados F., Llufriu S. Modified connectivity of vulnerable brain nodes in multiple sclerosis, their impact on cognition and their discriminative value // Scientific Reports. 2019. V. 9. P. 20172. https://doi.org/10.1038/s41598-019-56806-z
Kawahara J. Spinal Cord Segmentation and Disability Prediction in Multiple Sclerosis Using Novel Optimization and Machine Learning Methods: Ph.D. Dissertation. Vancouver Island University, Nanaimo, BC, Canada. 2013. 57 p.
Zhang H., Alberts E., Pongratz V., Mühlau M., Zimmer C., Wiestler B., Eichinger P. Predicting conversion from clinically isolated syndrome to multiple sclerosis–An imaging-based machine learning approach // NeuroImage Clinical. 2019. V. 21. P. 101593. https://doi.org/10.1016/j.nicl.2018.11.003
Rezaee A., Rezaee K., Haddadnia J., Gorji H.T. Supervised meta-heuristic extreme learning machine for multiple sclerosis detection based on multiple feature descriptors in MR images // SN Applied Sciences. 2020. V. 2. N 5. P. 866. https://doi.org/10.1007/s42452-020-2699-y
Ekşi Z., Özcan E.M., Çakıroğlu M., Öz C., Aralaşmak A. Differentiation of multiple sclerosis lesions and low-grade brain tumors on MRS data: Machine learning approaches // Neurological Sciences. 2021. V. 42. N 8. P. 3389–3395. https://doi.org/10.1007/s10072-020-04950-0
Peng Y., Zheng Y., Tan Z., Liu J., Xiang Y., Liu H., Dai L., Xie Y., Wang J., Zeng C., Li Y. Prediction of unenhanced lesion evolution in multiple sclerosis using radiomics-based models: A machine learning approach // Multiple Sclerosis and Related Disorders. 2021. V. 53. P. 102989. https://doi.org/10.1016/j.msard.2021.102989
Eshaghi A., Young A.L., Wijeratne P.A., Prados F., Arnold D.L., Narayanan S., Guttmann C.R.G., Barkhof F., Alexander D.C., Thompson A.J., Chard D., Ciccarelli O. Identifying multiple sclerosis subtypes using unsupervised machine learning and MRI data // Nature Communications. 2021. V. 12. N 1. P. 2078. https://doi.org/10.1038/s41467-021-22265-2
Bonanno L., Mammone N., De Salvo S., Bramanti A., Rifici C., Sessa E., Bramanti P., Marino S., Ciurleo R. Multiple Sclerosis lesions detection by a hybrid Watershed-Clustering algorithm // Clinical Imaging. 2021. V. 72. P. 162–167. https://doi.org/10.1016/j.clinimag.2020.11.006
Iswisi A.F.A., Karan O., Rahebi J. Diagnosis of Multiple Sclerosis Disease in Brain Magnetic Resonance Imaging Based on the Harris Hawks Optimization Algorithm // BioMed Research International. 2021. P. 3248834. https://doi.org/10.1155/2021/3248834
Jain S., Rajpal N., Yadav J. Supervised and unsupervised machine learning techniques for multiple sclerosis identification: A performance comparative analysis // Advances in Intelligent Systems and Computing. 2022. V. 1374. P. 369–381. https://doi.org/10.1007/978-981-16-3346-1_30
Garcia-Martin E., Ortiz M., Boquete L., Sánchez-Morla E.M., Barea R., Cavaliere C., Vilades E., Orduna E., Rodrigo M.J. Early diagnosis of multiple sclerosis by OCT analysis using Cohen’s d method and a neural network as classifier // Computers in Biology and Medicine. 2021. V. 129. P. 104165. https://doi.org/10.1016/j.compbiomed.2020.104165
Montolío A., Cegoñino J., Garcia-Martin E., Pérez del Palomar A. Comparison of machine learning methods using spectralis OCT for diagnosis and disability progression prognosis in multiple sclerosis // Annals of Biomedical Engineering. 2022. V. 50. N 5. P. 507–528. https://doi.org/10.1007/s10439-022-02930-3

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