DOI: https://doi.org/10.20535/2617-8974.2019.2.167054

АЛГОРИТМ СЕГМЕНТАЦІЇ НОВОУТВОРЕНИХ ПУХЛИН НА МРТ ЗОБРАЖЕННІ ГОЛОВНОГО МОЗКУ ЗА ДОПОМОГОЮ КОМБІНАЦІЙ НЕЙРОННИХ МЕРЕЖ

Костянтин Віталійович Помпа, Віталій Борисович Максименко

Анотація


Запропоновано алгоритм сегментації пухлин головного мозку на зображеннях МРТ, що реалізований на основі декількох ансамблів нейронних мереж. При ітерації алгоритму обчислення використовуються виходи базових нейронних мереж як вхідні данні для нової тренованої нейронної мережі, яка в подальшому виступає об’єднувачем для того, щоб відрізнити рубцеву тканину або не вражену тканину від клітин пухлини. Даний підхід має складний узагальнюючий характер, але, таким чином, вдається підвищити якість сегментації пухлини комбінацією нейронних мереж. Особливість алгоритму полягає в тому, що індивідуальний результат для кожного класифікатора визначається на основі натренованих раніше моделей, потім воксель класифікується як частина пухлини, якщо хоча б один з класифікаторів визначить його як пухлину. Далі, результат сегментації базових класифікаторів потрапляє на вхід вже навченого мета-класифікатора, який приймає остаточне рішення щодо приналежності вокселя на зображенні до клітин пухлини


Ключові слова


сегментація зображення; нейронні мережі; нейромережеві ансамблі; комбінація нейронних мереж; пухлини головного мозку; МРТ зображення.

Повний текст:

PDF

Посилання


Vasseur F., Doyle S., Dojat M., Forbes F. Fully automatic brain tumour segmentation from multiple MR sequences using hidden markov fields and variational EM. // In: Procs. NCI-MICCAI BRATS. - 2013. - pp. 18-22.

M Jorge Cardoso, Carole H Sudre, Marc Modat, Sebastien Ourselin Template-Based Multimodal Joint Generative Model of Brain Data. // Information processing in medical imaging. Springer International Publishing. - 2015. - Vol. 24. - pp. 17-29.

Lee C.h., Schmidt M., Murtha A. Segmenting brain tumors with conditional random fields and support vector machines. // CVBIA. - 2005. - pp. 469-478.

Bharath H.N., Colleman S., Sima D.M., S. Van Huffel. Tumor Segmentation from Multimodal MRI Using Random Forest with Superpixel and Tensor Based Feature Extraction. // International MICCAI Brainlesion Workshop.–– 2017. –– pp. 463–473.

Hansen L.K., Salamon P. Neural network ensembles. // IEEE Transactions on Pattern Analysis and Machine Intelligence.–– 1990. –– Vol. 12(10). –– pp. 993–1001.

Menze B.H., Jakab A., Bauer S., Kalpathy-Cramer J., Farahani K., Kirby J., Burren Y., Porz N., Slotboom J., Wiest R., Lanczi L., Gerstner E., Weber M.A., Arbel T., Avants B.B., Ayache N., Buendia P., Collins D.L., Cordier N., Corso J.J., Criminisi A., Das T., Delingette H., Demiralp C ̧ ., Durst C.R., Dojat M., Doyle S., Festa J., Forbes F., Geremia E., Glocker B., Golland P., Guo X., Hamamci A., Iftekharuddin K.M., Jena R., John N.M., Konukoglu E., Lashkari D., Mariz J.A., Meier R., Pereira S., Precup D., Price S.J., Raviv T.R., Reza S.M., Ryan M., Sarikaya D., Schwartz L., Shin H.C., Shotton J., Silva C.A., Sousa N., Subbanna N.K., Szekely G., Taylor T.J., Thomas O.M., Tustison N.J., Unal G., Vasseur F., Wintermark M., Ye D.H., Zhao L., Zhao B., Zikic D., Prastawa M., Reyes M., Van Leemput K. The multimodal brain tumor image segmentation benchmark (BRATS). // TMI 34(10)–– 1993–2024 (2015).

Bakas S et al. Advancing The Cancer Genome Atlas glioma MRI collections with expert segmentation labels and radiomic features. // Nature Scientific Data.–– 2017.

Jarrett K., Kavukcuoglu K., Ranzato M., LeCun Y. What is the best multi-stage architecture for object recognition? // 2009 IEEE 12th International Conference on Computer Vision.–– 2009. –– pp. 2146–2153.

Abadi, M., Barham, P., Chen, J., Chen, Z., Davis, A., Dean, J., Devin, M., Ghemawat, S., Irving, G., Isard, M., Kudlur, M., Levenberg, J., Monga, R., Moore, S., Murray, D.G., Steiner, B., Tucker, P., Vasudevan, V., Warden, P., Wicke, M., Yu, Y., Zheng, X., Brain, G.: TensorFlow: A system for large-scale machine learning. In: USENIX Symposium on Operating Systems Design and Implementation. pp. 265–284 (2016).

Abdulkadir, A., Lienkamp, S.S., Brox, T., Ronneberger, O.: 3D U-Net: Learning dense volumetric segmentation from sparse annotation. In: International Conference on Medical Image Computing and Computer-Assisted Intervention. pp. 424–432 (2016).

Wang, G., Li, W., Ourselin, S., Vercauteren, T.: Automatic brain tumor segmentation using cascaded anisotropic convolutional neural networks. In: Brainlesion: Glioma, Multiple Sclerosis, Stroke and Traumatic Brain Injuries, pp. 178–190. Springer International Publishing (2018).

Gibson, E., Li, W., Sudre, C., Fidon, L., Shakir, D.I., Wang, G., Eaton-Rosen, Z., Gray, R., Doel, T., Hu, Y., Whyntie, T., Nachev, P., Modat, M., Barratt, D.C., Ourselin, S., Cardoso, M.J., Vercauteren, T.: NiftyNet: A deep-learning platform for medical imaging. Computer Methods and Programs in Biomedicine 158, pp. 113–122 (2018).

Kingma, D.P., Ba, J.L.: Adam: A method for stochastic optimization. In: International Conference on Learning Representations (2015)

Milletari, F., Navab, N., Ahmadi, S.A.: V-Net: Fully convolutional neural networks for volumetric medical image segmentation. In: International Conference on 3D Vision. pp. 565–571 (2016).

Kamnitsas K., Ledig C., Newcombe V.F.J., Simpson J.P., Kane A.D., Menon D.K., Rueckert D., Glocker B. Efficient multi-scale 3D CNN with fully connected CRF for accurate brain lesion segmentation. // Medical Image Analysis.–– 2017. –– Vol. 36. –– pp. 61–78 .

Wang G., Li W., Ourselin S., Vercauteren T. Automatic brain tumor segmentation using cascaded anisotropic convolutional neural networks. // Proc. Multi- modal Brain Tumor Segmentation (BRATS) Challenge 2017 - MICCAI workshop.–– arXiv:1709.00382. –– 2017.

Günter Klambauer, Thomas Unterthiner, Andreas Mayr, Sepp Hochreiter. Self-Normalizing Neural Networks. // arXiv:1706.02515. –– 2017.

P. K. Sahoo, S. Soltani, A. K. C. Wong, and Y. C. Chen, "A survey of thresholding techniques", CVGIP, vol. 41, no. 2, pp. 233-260, Feb.1988.

W. K. Pratt, "Digital Image Processing", New York: Wiley, 1991, pp. 597-625.

T. Pavlidis and Y. T. Liow, "Integrating region growing and edge detection", IEEE Trans. Pattern Anal. Machine Intell., vol. 12, no. 3, pp. 225-233, Mar. 1990.

R. M. Haralick and 1. Dinstein, "A spatial clustering procedure for multiimage data", IEEE Trans. Circuits Syst., vol. 22, no. 5, pp. 440-450, May 1975.

R. C. Dubes, A. K. Jain, S. G. Nadabar, and C. C. Chen, "MRF model based algorithms for image segmentation" in Proc. Int. Cons Pattern Recognition, 1990, pp. 808-814.

K. S. Fu and J. K. Mu, "A survey on image segmentation", Pattern Recognition, vol. 13, no. 1, pp. 3-16, Feb. 1981.

Taha A.A., Hanbury A. Metrics for evaluating 3D medical image segmentation: analysis, selection, and tool. // BMC Medical Imaging.–– 2015.

Kaiming He, Xiangyu Zhang, Shaoqing Ren, and Jian Sun. Deep residual learning for image recognition. In Proceedings of the IEEE conference on computer vision and pattern recognition, pages 770–778, 2016.