Глубокое обучение нейронной сети для диагностики опухолей мозга

Глиобластома представляет собой злокачественную опухоль мозга четвертой стадии, при которой происходит бесконтрольное размножение большей части клеток опухоли. Такие опухоли опасны для жизни и могут привести к частичной или полной умственной и физической инвалидности.

Исследование проводилось интернациональной научной группой: в нее вошли пять представителей университетов Индии и двое ученых ЮУрГУ: старший научный сотрудник кафедры системного программирования ВШ ЭКН, постдок Кумар Сэчин и кандидат физико-математических наук, доцент Михаил Цымблер. Оно было посвящено разработке методов компьютерного анализа снимков МРТ (магнитно-резонансной томографии) для выявления глиобластомы на основе технологий искусственных нейронных сетей.

Глубокое обучение – широко применяемый подход для классификации изображений, поскольку оно способно автоматически извлекать из изображений характерные признаки для дальнейшей обработки. Корректность извлеченных признаков, однако, не гарантируется, поскольку пока не разработана соответствующая строгая математическая процедура проверки.

– В данном исследовании предложена новая модель классификации снимков МРТ на основе технологий глубокого обучения, использующая гибридный подход. Модель предполагает выполнение классификации в три этапа. На первом выполняется предварительная обработка данных, которая предполагает извлечение признаков из изображения посредством дискретного вейвлет-преобразования (функция, позволяющая анализировать частотность данных), векторизацию изображения (делает возможным масштабирование изображения без потери качества) и конструкцию дополнительных признаков для обработки. Второй этап связан с уменьшением размерности изображений с использованием метода главных компонент и предоставляет векторы признаков уменьшенной размерности, используемые для более точной классификации изображений. Третий предполагает работу стека ограниченных машин Больцмана (RBM, Restricted Boltzmann machine), формирующих глубокую сеть доверия со скрытыми уровнями, которая завершает процесс классификации, – поясняет Кумар Сэчин.

Как правило, глубокая сеть доверия требует большого количества скрытых слоев нейронной сети с большим количеством нейронов в каждом слое для лучшего извлечения характерных признаков из изображения. Это увеличивает пространственную и вычислительную сложность, а также время обучения модели. Однако благодаря интеграции в модель вейвлет-преобразования были уменьшены сложность и время ее обучения. Статистическая проверка подтвердила, что предложенная гибридная модель классификации опережает известные аналоги по времени обучения и точности классификации.

Нейросеть поможет врачам

Методы и подходы, предложенные в рамках исследования, могут быть применены для разработки автоматизированных систем диагностики и выявления опухолей и других поражений клеток по снимкам МРТ.

– Хотя МРТ позволяет получать высококонтрастные снимки головного мозга, которые весьма полезны для постановки диагноза человеком, для чтения и понимания таких снимков требуются высококвалифицированные специалисты с соответствующим медицинским образованием. Технологии искусственных нейронных сетей позволяют автоматизировать, упростить и ускорить процесс диагностики, сводя к минимуму рутинную работу врача и снижая требования к его квалификации, обеспечивая при этом более высокую точность диагноза, – говорит Михаил Цымблер.

Исследование может быть расширено в направлении повышения эффективности классификационной модели при работе с большим количеством снимков МРТ, в которых имеются шаблоны окклюзионного типа. Окклюзия в общем случае свидетельствует о закупорке сосудов в мозге и требует особого внимания для правильной диагностики. В данном исследовании не рассматривалось приложение разработанной модели для опухолей с шаблонами окклюзионного типа, поэтому применение методов глубокого обучения к указанным данным является интересным направлением для будущих исследований.

ЮУрГУ – участник Проекта 5-100, призванного повысить конкурентоспособность российских университетов среди ведущих мировых научно-образовательных центров.

Цифровая индустрия – одно из трех стратегических направлений развития научной и образовательной деятельности Южно-Уральского государственного университета, наряду с экологией и материаловедением.