Діагностика медичних зображень пухлин головного мозку з використанням гібридних згорткових нейронечітких мереж
The problem of classification of brain tumors on medical images is considered. For its solution hybrid CNN-ANFIS is developed in which convolutional neural network VGG-16 and ResNetV2_50 are used as feature extractors while ANFIS is used as the classifier. Training algorithms of ANFIS were implement...
Gespeichert in:
| Datum: | 2020 |
|---|---|
| Hauptverfasser: | , , |
| Format: | Artikel |
| Sprache: | Russisch |
| Veröffentlicht: |
The National Technical University of Ukraine "Igor Sikorsky Kyiv Polytechnic Institute"
2020
|
| Schlagworte: | |
| Online Zugang: | https://journal.iasa.kpi.ua/article/view/209135 |
| Tags: |
Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!
|
| Назва журналу: | System research and information technologies |
| Завантажити файл: |  |
Institution
System research and information technologies| _version_ | 1867334405181145088 |
|---|---|
| author | Zaychenko, Yuriy P. Zdor, Kostiantyn A. Hamidov, Galib |
| author_facet | Zaychenko, Yuriy P. Zdor, Kostiantyn A. Hamidov, Galib |
| author_institution_txt_mv | [
{
"author": "Yuriy P. Zaychenko",
"institution": "Учебно-научный комплекс \"Институт прикладного системного анализа\" Национального технического университета Украины \"Киевский политехнический институт имени Игоря Сикорского\", Киев"
},
{
"author": "Kostiantyn A. Zdor",
"institution": "Национальный технический университет Украины \"Киевский политехнический институт имени Игоря Сикорского\", Киев"
},
{
"author": "Galib Hamidov",
"institution": "Компания “Азершиг”, Баку"
}
] |
| author_sort | Zaychenko, Yuriy P. |
| baseUrl_str | http://journal.iasa.kpi.ua/oai |
| collection | OJS |
| datestamp_date | 2020-08-11T08:50:57Z |
| description | The problem of classification of brain tumors on medical images is considered. For its solution hybrid CNN-ANFIS is developed in which convolutional neural network VGG-16 and ResNetV2_50 are used as feature extractors while ANFIS is used as the classifier. Training algorithms of ANFIS were implemented. The experimental investigations of the suggested hybrid network on the standard dataset Brain MRI images for brain tumor detection were carried out and comparison with known results was performed. |
| doi_str_mv | 10.20535/SRIT.2308-8893.2020.1.06 |
| first_indexed | 2025-07-17T10:26:44Z |
| format | Article |
| fulltext |
Ю.П. Зайченко, К.А. Здор, Г. Гамидов, 2020
68 ISSN 1681–6048 System Research & Information Technologies, 2020, № 1
TIДC
ТЕОРЕТИЧНІ ТА ПРИКЛАДНІ ПРОБЛЕМИ
ІНТЕЛЕКТУАЛЬНИХ СИСТЕМ ПІДТРИМАННЯ
ПРИЙНЯТТЯ РІШЕНЬ
УДК 519.925.51
DOI: 10.20535/SRIT.2308-8893.2020.1.06
ДИАГНОСТИКА МРТ-ИЗОБРАЖЕНИЙ ОПУХОЛЕЙ
ГОЛОВНОГО МОЗГА С ИСПОЛЬЗОВАНИЕМ ГИБРИДНЫХ
СВЕРТОЧНЫХ НЕЙРОНЕЧЕТКИХ СЕТЕЙ
Ю.П. ЗАЙЧЕНКО, К.А. ЗДОР, Г. ГАМИДОВ
Аннотация. Рассмотрена проблема классификации опухолей головного мозга
по медицинским МРТ-изображениям. Для ее решения разработаны гибридные
нечеткие сверточные нейронные сети (CNN), в которых сверточные сети
VGG-16 и ResNetV2_50 были использованы для извлечения признаков изобра-
жения, а нечеткая нейронная сеть ANFIS — в качестве классификатора. Разра-
ботаны алгоритмы обучения гибридных сетей. Проведены экспериментальные
исследования предложенных гибридных сетей на стандартном датасете
МРТ-изображений головного мозга и сравнения результатов с известными
альтернативными структурами сверточных сетей.
Ключевые слова: медицинская диагностика, классификация опухолей голов-
ного мозга, нечеткая нейронная сеть ANFIS, сверточные нейронные сети, гиб-
ридная сеть.
ВВЕДЕНИЕ. АНАЛИЗ СОСТОЯНИЯ ПРОБЛЕМЫ
Одной из актуальных сфер применения информационных технологий в ме-
дицине является диагностика опухолей головного мозга на основе обработ-
ки медицинских изображений мозга [1,2].
Диагностика вследствие локализации опухоли внутри черепа затрудне-
на. Диагноз онкологического заболевания окончательно ставится только после
гистологического заключения; без гистологического или цитологического
исследования диагноз неправомочен. В связи с тем, что опухоль находится в
полости черепа и прорастает в ткань мозга, забор биоптата представляет со-
бой сложную нейрохирургическую операцию. Диагноз «опухоль мозга»
ставится поэтапно — сначала амбулаторно, затем подтверждается в стацио-
наре. Можно выделить три этапа в диагностике.
1. Больной обращается к терапевту (реже к неврологу или врачу другой
специальности). Обратиться его вынуждает прогрессирование очаговой или
общемозговой симптоматики. Пока клиника выражена слабо, больной редко
попадает в поле зрения врачей, и только когда ситуация начинает стреми-
тельно ухудшаться, он обращается за помощью к специалисту.
2. Врач оценивает состояние поступившего больного и, в зависимости
от его тяжести, принимает решение о госпитализации или амбулаторном
Диагностика МРТ-изображений опухолей головного мозга с использованием гибридных
Системні дослідження та інформаційні технології, 2020, № 1 69
лечении. Критерием оценки тяжести состояния является наличие и выра-
женность очаговой и общемозговой симптоматики, а также наличие и тя-
жесть сопутствующих заболеваний. При обнаружении у больного невроло-
гической симптоматики он направляется для консультации к неврологу. При
впервые возникшем эпилептическом или судорожном припадке обязательно
проводится компьютерная томография головного мозга для выявления он-
кологической патологии.
3. Невролог оценивает тяжесть симптомов и производит дифференци-
альную диагностику. Сначала ставит, как минимум, предварительный, а по-
сле дообследований — и клинический диагноз. Врач на основании жалоб
больного и доступных ему методов обследования должен принять решение,
на каких заболеваниях ему следует сосредоточится и какие инструменталь-
ные и лабораторные методы обследования назначить.
К обязательным методам обследования относятся: определение актив-
ности сухожильных рефлексов, проверка тактильной и болевой чувствите-
льности. Диагностические мероприятия могут быть расширены в зависимо-
сти от жалоб пациента и с целью дифференциальной диагностики. Так,
например, если больной отмечает нарушения координации, необходимо
провести пальце-носовую пробу, проверить устойчивость в позе Ромберга.
Если возникает подозрение на опухоль мозга, то больного направляют на
компьютерную (КТ) или магнитно-резонансную томографию (МРТ). Маг-
нитно-резонансная томография с контрастным усилением является «золо-
тым стандартом» в диагностике опухолей головного мозга [4]. При обна-
ружении на томограмме объёмного образования больной подлежит
госпитализации в специализированный стационар.
После поступления в онкологический диспансер проводится ряд обсле-
дований с целью определения тактики лечения данного больного, необхо-
димости хирургического вмешательства и его последствия, а также целесо-
образности стационарного лечения. Проводится повторная КТ или МРТ
головного мозга. Определяются режимы и дозы лучевой и химиотерапии,
катрируется опухоль, определяются её границы, размеры, точная локализа-
ция. Если больному показано хирургическое лечение, то берут биоптат опу-
холи и производят её гистологическую верификацию с целью подбора оп-
тимального режима последующей терапии. Препарат ткани опухоли может
быть получен путём стереотаксической биопсии.
В новом исследовании научными сотрудниками отделения нейрора-
диологии Университетской клиники Хайдельберга (Department of
Neuroradiology, Heidelberg University Hospital), Германия, была разработана
модель анализа, основанная на искусственных нейронных сетях, позволяю-
щая полностью автоматизировать процесс количественной оценки МРТ-
сканов в нейроонкологии и снимающая, таким образом, ограничения меха-
нического анализа. В работе авторы продемонстрировали, что методы ма-
шинного обучения, применяемые для оценки эффективности, проводимой в
нейрорадиологии терапии, могут быть более надежными и точными, являясь
ценным вкладом в процесс индивидуализированной терапии опухолей. Ста-
тья по материалам исследования опубликована в издании «The Lancet
Oncology» 2 апреля 2019 г.
Используя базу данных МРТ-сканов более 500 пациентов с опухолями
головного мозга, исследователи разработали систему алгоритмов, позво-
ляющую автоматизировать процесс идентификации морфологических ха-
Ю.П. Зайченко, К.А. Здор, Г. Гамидов
ISSN 1681–6048 System Research & Information Technologies, 2020, № 1 70
рактеристик зон опухолевого роста, применив искусственные нейронные
сети. Кроме того, были разработаны алгоритмы, позволяющие оценить па-
раметры отдельных областей (локусы опухолевых тканей, поглощающих
контраст, а также зоны перитуморального отека) в ответ на применяемую
терапию.
Комментируя полученные результаты, Ф. Кикингередер отметил:
«Проведенный анализ более 2000 МРТ-сканов 534 пациентов с глиобласто-
мой показал, что компьютеризированный подход позволяет более надежно
оценить терапевтический ответ в сравнении с традиционным методом руч-
ного измерения. Применение системы алгоритмов позволило повысить до-
стоверность оценки на 36%. Это действительно может иметь решающее зна-
чение для оценки эффективности терапии на основе визуальных данных
МРТ в клинических исследованиях. Кроме того, использование метода ма-
шинного обучения достоверно повышало точность расчета прогноза общей
выживаемости».
Большинство последних работ, относящихся к области классификации
опухолей, ориентированы на цифровые изображения. До настоящего време-
ни большинство работ, основанных на гистологическом анализе, выполня-
лись на небольших датасетах.
Существенным сдвигом в этом направлении является датасет, состоя-
щий из 7909 изображений молочной железы, полученных от 82 пациен-
тов [5]. На этом датасете авторы оценивали различные текстурные дескрип-
торы и классификаторы, провели эксперименты и достигли точности от 82%
до 85%.
Новым подходом для обработки медицинских изображений и диагнос-
тики является использование сверточных сетей (CNN) [7, 8]. Показано в ря-
де работ, что сверточные сети способны превзойти другие методы анализа
изображений. Кроме того, традиционный подход к выделению признаков на
основе дескрипторов требует больших усилий и высокого уровня знаний
экспертов и обычно является специфичным для каждой задачи, что препятс-
твует его непосредственному применению к другим задачам. Обычно CNN
используется в качестве экстрактора информативных признаков медицинс-
кого изображения, а как классификатор — либо машина опорных векторов,
либо деревья решений.
Существенным достижением является разработка гибридных сверточ-
ных сетей, в которых в качестве классификатора используется нечеткая
нейронная сеть (ННС) NEFClass [9]. В работе впервые предложена такая
архитектура сверточной сети, которая применялась для классификации опу-
холей молочной железы и показала более высокую точность классификации
в сравнении с традиционными классификаторами SVM и Decision tree [9].
Представляет интерес использование и других типов ННС в качестве
классификаторов в составе сверточных сетей. Поэтому в настоящем иссле-
довании предлагается новая гибридная сверточная нечеткая сеть CNN–
ANFIS, в которой CNN используется для выделения признаков на медицин-
ских, а ННС ANFIS — для классификации обнаруженных опухолей на изо-
бражениях на два класса: доброкачественные и злокачественные.
Основная цель работы — разработка и исследование гибридной сети
CNN–ANFIS и исследование ее эффективности в задаче распознавания ме-
дицинских изображений опухолей мозга и классификации опухолей, срав-
нение ее эффективности с известными работами на стандартном датасете
медицинских изображений [11].
Диагностика МРТ-изображений опухолей головного мозга с использованием гибридных
Системні дослідження та інформаційні технології, 2020, № 1 71
СВЕРТОЧНЫЕ НЕЙРОННЫЕ СЕТИ ( КРАТКОЕ ОПИСАНИЕ)
Сверточные сети — современный метод, широко используемый для обра-
ботки изображений. Они обладают способностью извлекать глобальные
признаки изображения в иерархическом виде. Сверточные сети включают
следующие слои [7,8].
Сверточный слой. Он рассматривается как основной рабочий компо-
нент сверточной сети и играет жизненно важную роль в этой сети. Ядро
свертки (фильтр) , обычно представляющее матрицу n×n, последовательно
проходит по всем пикселям изображения и выделяет информацию из него
путем операции свертки.
Шаги (Stride) и дополнение (Padding). Матрица фильтра ( ядро) дви-
жется по изображению с шагом Stride), определяемым его размером; по
умолчанию его размер принимается равным1. Если размер изображения 5×5
сканируется фильтром размером 3×3 и шагом 1, то получим после свертки
выходную матрицу 3×3. Однако если используется шаг 2, то размер выход-
ного изображения будет 2×2.
Таким образом, размер выходного изображения определяется размера-
ми фильтра (ядра) и шага. Чтобы обойти это явление, можно дополнить ис-
ходное изображение столбцами и строками, содержащими 0 (Padding).
В таком случае размер выходного изображения после свертки будет равнят-
ся исходному. Такое добавление строк и столбцов, содержащих только 0,
называется zero padding [7, 8].
Нелинейное преобразование (Nonlinear Performance). Каждый слой
нейронной сети дает линейный выход и добавление двух таких слоев также
осуществляет линейное преобразование. Поэтому увеличение количества
слоев нейронной сети не изменяет характера сети. Для преодоления этого
недостатка используется нелинейное преобразование в виде следующих
функций: Rectified Linear Unit (ReLU), Leaky ReLU и др.
Операция пулинга (Pooling Operation). Сверточная нейронная сеть ге-
нерирует большой объем информации. Поэтому, чтобы уменьшить размер-
ность пространства признаков, используется операция пулинга. Известны
несколько стандартных операций пулинга, такие как MaxPooling, Average
Pooling. [7, 8].
В работе используется операция MaxPooling, которая выбирает макси-
мальное значение из некоторой подматрицы после свертки.
Операция Drop-Out. В результате обучения сети возможно явление пе-
реобучения на тестовой выборке, известное как over-fitting. Это явление
можно устранить, используя процедуру дропаут (Drop-Out), которая состоит
в выключении некоторых нейронов из сети при обучении.
Решающий слой Decision Layer. Для классификации изображений на
конце сверточной сети используется решающий слой, обычно в виде много-
слойного перцептрона (MLP). С этой целью используется слой Softmax layer
или слой метола опорных векторов (SVM layer). Этот слой реализует норма-
лизованную экспоненциальную функцию и определяет функцию потерь
(loss function) для данных классификации.
Ю.П. Зайченко, К.А. Здор, Г. Гамидов
ISSN 1681–6048 System Research & Information Technologies, 2020, № 1 72
CNN МОДЕЛЬ ДЛЯ КЛАССИФИКАЦИИ ИЗОБРАЖЕНИЙ
Архитектура сверточной сети VGG-16, которая используется в работе в ка-
честве детектора информативных признаков изображения, показана на
рис. 1. Она обучалась стохастическим градиентным методом на датасете
Imagenet. Как альтернативная основа применялась архитектура ResNetV2_50
(рис. 2). Эта архитектура более глубокая и имеет лучшую производительность.
В качестве классификатора полученных признаков в данной работе
предложено использовать ANFIS в отличие от известных работ, в которых
применялся многослойный перцепрон и слой машины опорных векторов
(SVM).
ANFIS — это искусственная нейронная сеть, основанная на нечеткой
системе вывода Такаги–Сугено [10]. Сеть разработана в начале 1990-х годов.
Рис. 1. Сверточная нейронная сеть VGG-16. 1
Рис. 2. Сверточная нейронная сеть ResNet V2
Диагностика МРТ-изображений опухолей головного мозга с использованием гибридных
Системні дослідження та інформаційні технології, 2020, № 1 73
Так как эта сеть интегрирует принципы нейронных сетей с принципами не-
четкой логики, то у нее есть потенциал, позволяющий совместить их пре-
имущества в одной структуре. Вывод такой системы соответствует набору
нечетких правил «если–то», которые имеют способность к обучению с целью
аппроксимации нелинейных функций. Следовательно, ANFIS считается
универсальным аппроксиматором. Для использования ANFIS наиболее эф-
фективным способом, можно использовать параметры, полученные с помо-
щью генетического алгоритма.
ДАТАСЕТ
Исходные данные для проведения экспериментов взяты с сайта Kaggle [11].
Всего было 253 изображения, из которых 98 без опухоли (рис. 3) и 155 с
опухолью мозга (рис. 4). Все образцы разбиты на обучающую и тестовую
подвыборки в соотношении 80% / 20%.
Для аугментации данных использованы: сдвиг данных горизонтально и
вертикально, изменение яркости, горизонтальное отзеркаливание и поворо-
ты до 15%.
ЭКСПЕРИМЕНТАЛЬНЫЕ ИССЛЕДОВАНИЯ И ИХ АНАЛИЗ
В данном исследовании использовано предварительное обучение сверточ-
ных сетей CNN-VGG 16 и ResNetV2_50. Существуют два основных сцена-
рия обучения НС.
Рис. 3. Изображения МРТ мозга без опухоли мозга
Рис. 4. Изображения МРТ с опухолями мозга
Ю.П. Зайченко, К.А. Здор, Г. Гамидов
ISSN 1681–6048 System Research & Information Technologies, 2020, № 1 74
1. Извлечение признаков (Feature extraction). Полносвязные слои
отключаются, а оставшаяся часть сети используется как экстрактор призна-
ков в новых данных (датасетах).
2. Тонкая настройка (Fine Tuning). Новый датасет используется для
тонкой настройки предварительно обученной нейронной сети.
В исследовании сеть CNN VGG-16 использовалась для извлечения при-
знаков в медицинских изображениях опухолей мозга. Найденные признаки
подавались на вход ANFIS. Для обучения использовались алгоритм стохас-
тический градиентный спуск и его модификации.
Были проведены серии экспериментов и сравнение с результатами
предшествующих работ.
Лучшие результаты обучения ANFIS и альтернативных архитектур
приведены в табл. 1. Количество итераций обучения фиксировано 50 эпохами.
Т а б л и ц а 1 . Результаты классификации, полученные различными архи-
тектурами CNN
Н
ом
ер
ар
хи
те
к-
ту
ры
Архитектура
Accuracy,
%
Specificity,
%
Precision,
%
Recall,
%
F1 score,
%
1
VGG16+NN+Warm-up
AdamW
0,8526 0,8649 0,8607 0,9052 0,8514
2
VGG16+Warm-up
AdamW+ ANFIS
0,8368 0,7671 0,8839 0,8462 0,8378
3
VGG16+SVM+Warm-up
AdamW+ SVM
0,8737 0,8784 0,8710 0,9310 0,8722
4
ResnetV2_50 + DR +
AdamW
0,7789 0,8052 0,7840 0,8673 0,7789
В архитектуре 1 (табл. 1) за основу взята CNN VGG-16, выход из кото-
рой приведён к виду: размер батча × количество признаков с помощью опе-
рации Flatten [13]. К полученным признакам в качестве классификатора
применена нейронная сеть, структура которой приведена в табл. 2. Для улу-
чшения сходимости добавлен слой батч-нормализации, а для избежания
оверфиттинга — слой Dropout с величиной обнуления 35%. Для этой сети
использовалась бинарная кросс-энтропийная функция потерь. Как алгоритм
оптимизации использовался AdamW[13] с применением техники Warm-up
[14, 15].
Т а б л и ц а 2 . Архитектура используемой сети CNN
Слой сети Форма выхода слоя Количество параметров
VGG16 (Model) (None, 7, 7, 512) 14714688
Flatten (None, 25088) 0
Batch Normalization (None, 25088) 100352
Dropout (None, 25088) 0
Dense (None, 1) 25089
Общее количество параметров: 14840129.
Количество обучаемых параметров: 75265.
Количество необучаемых параметров: 14764864.
Диагностика МРТ-изображений опухолей головного мозга с использованием гибридных
Системні дослідження та інформаційні технології, 2020, № 1 75
В архитектуре 2 (табл. 1) за основу взята VGG-16, выход из которой
приведён к виду: размер батча × количество признаков с помощью операции
Flatten. Для уменьшения количества признаков использован полносвязный
слой нейронной сети. К этим признакам применён как классификатор
ANFIS (табл. 3).
Количество правил для ANFIS — 32. Для избежания оверфиттинга до-
бавлено два слоя dropout с величиной обнуления 50% и 25% соответственно.
Для функции потерь использовалась бинарная кросс-энтропийная функция
потерь. Как алгоритм оптимизации использовался AdamW [13] с примене-
нием техники Warm-up [14, 15].
Т а б л и ц а 3 . ANFIS классификатор
Слой сети Форма выхода слоя Количество параметров
VGG16 (Model) (None, 7, 7, 512) 14714688
Flatten (None, 25088) 0
Dropout (None, 25088) 0
Dense (None, 8) 200712
Dropout (None, 8) 0
ANFIS (None, 1) 544
Dense (None, 1) 2
Общее количество параметров: 14915946.
Количество обучаемых параметров: 201258.
Количество необучаемых параметров: 14714668.
В архитектуре 3 (табл. 1) за основу взята VGG-16, выход из которой
приведен к виду: размер батча × количество признаков с помощью операции
Flatten. К этим признакам применён как классификатор SVM (табл. 4). Па-
раметр «коэффициент регуляризации» установлен в 0,01. Для расчета функ-
ции потерь использована функция Hinge Loss [12]. Как алгоритм оптимиза-
ции использовался AdamW с применением техники Warm-up.
Т а б л и ц а 4 . SVM классификатор
Слой сети Форма выхода слоя Число параметров
VGG16 (Model) (None, 7, 7, 512) 14714688
Flatten (None, 25088) 0
Dense (None, 1) 25089
Общее количество параметров: 14739777.
Количество обучаемых параметров: 25089.
Количество необучаемых параметров: 14714688.
В архитектуре 4 (табл. 1) за основу взята ResNetV2_50, выход из кото-
рой приведён к виду: размер батча × количество фильтров с помощью опе-
рации Global Average Pooling_2D, которая для трёхмерного ядра фильтра
находит среднее для каждого двухмерного пространства (в виде таблицы)
так, чтобы в результате получилось одномерное ядро.
К этим признакам применены сверточные слои для уменьшения разме-
рности. После уменьшения размерности выхода, которой был приведён
к виду: размер батча × количество признаков с помощью операции Flatten,
применён классификатор в виде нейронной сети (табл. 5). Для улучшения
сходимости добавлены слой батч-нормализации. Для избежания оверфитти-
Ю.П. Зайченко, К.А. Здор, Г. Гамидов
ISSN 1681–6048 System Research & Information Technologies, 2020, № 1 76
нга добавлен слой dropout с величиной обнуления 25% на сверточных слоях
и 30% на полносвязном. Для этой сети использовалась бинарная кросс-
энтропийная функция потерь, а как алгоритм оптимизации использовался
AdamW.
Т а б л и ц а 5 . Структура сети ResNetV2_50со свёрточными слоями для
уменьшения размерности
Слой сети Форма выхода слоя Количество параметров
Resnet50v2 (Model) (None, 7, 7, 2048) 23564800
Global Average Pooling 2D (None, 2048) 0
Reshape (None, 2048, 1) 0
Conv1D (None, 512, 8) 264
Max Pooling 1D (None, 256, 8) 0
Batch Normalization (None, 256, 8) 32
Dropout (None, 256, 8) 0
Conv1D (None, 64, 16) 4112
Max Pooling 1D (None, 32, 16) 0
Batch Normalization (None, 32, 16) 64
Dropout (None, 32, 16) 0
Conv1D (None, 16, 32) 16416
Max Pooling 1D (None, 8, 32) 0
Batch Normalization (None, 8, 32) 128
Dropout (None, 8, 32) 0
Flatten (None, 256) 0
Dropout (None, 256) 0
Dense (None, 1) 257
Общее количество параметров: 23586073.
Количество обучаемых параметров: 21161.
Количество необучаемых параметров: 23564912.
В результате анализа экспериментов установлено, что наилучшие ре-
зультаты показал классификатор SVM. Данный метод имел наивысшую то-
чность (по показателям Accuracy, Specificity, Recall и F1 Score). Однако наи-
лучший результат по метрике Precision показал классификатор ANFIS.
С использованием методики уменьшения размерности получены невысокие
результаты; методика требует большей регуляризации и большего количес-
тва данных. С применением нейронной сети ANFIS в качестве классифика-
тора получены средние результаты. Для улучшения результатов необходимо
увеличить объем обучающих данных. Также возможен вариант с размора-
живанием сверточных слоев в процессе обучения.
ВЫВОДЫ
Рассмотрена проблема анализа медицинских изображений мозга и класси-
фикации обнаруженных опухолей на два класса: доброкачественные и зло-
качественные.
Для распознавания опухолей разработана гибридная сверточная нечет-
кая сеть CNN–ANFIS, в которой CNN–VGG 16 была использована для вы-
деления признаков на изображениях, а ННС ANFIS — для классификации
обнаруженных опухолей на основе этих признаков.
Диагностика МРТ-изображений опухолей головного мозга с использованием гибридных
Системні дослідження та інформаційні технології, 2020, № 1 77
Для обучения ANFIS предложен и реализован алгоритм обучения адап-
тивный стохастический градиентный спуск и исследована его эффективность.
Проведены экспериментальные исследования предложенной гибридной
CNN–ANFIS сети в задаче классификации реальных изображений на специ-
альном датасете Brain MRI images for brain tumor detection.
Сравнение точности классификации предложенной гибридной CNN–
ANFIS с результатами сверточной сети с алгоритмами классификации SVM,
NN и Dimensionality reduction показало целесообразность использования
гибридной сети. Сравнивая результаты работы ННС ANFIS с результатами
ННС NEFClass в качестве классификаторов обработки медицинских изо-
бражений сделан вывод о целесообразности использования ННС ANFIS для
этих целей. Это можно объяснить тем, что ННС ANFIS специально разрабо-
тана для задач классификации.
Наилучшие результаты показал классификатор SVM. Однако результа-
ты могут быть значительно улучшены путем расширения датасета.
ЛИТЕРАТУРА
1. Dong H. Automatic Brain Tumor Detection and Segmentation Using U-Net Based
Fully Convolutional Networks / H. Dong, G. Yang, F. Liu et al. — 2017.
2. Arya P. A Survey on Brain Tumor Detection and Segmentation from Magnetic Res-
onance Image / P. Arya, A.K. Malviya. — 2019.
3. Zhang Y. One-class kernel subspace ensemble for medical image classification /
Y. Zhang, B. Zhang, F. Coenen et al. // EURASIP Journal on Advances in Signal
Processing. —2014. — Vol. 2014, N 17. — P. 1–13.
4. Sundar R. Brain Tumor Detection and Segmentation by Intensity Adjustment / R.
Sundar. — 2017.
5. Singh A. Classifying Biological Images Using Pre-trained CNNs / A. Singh, H. Man-
sourifar, H. Bilgrami et al. — Available at: https://docs.google.
com/document/d/1H7xVK7nwXcv11CYh7hl5F6pM0m218FQloAXQODP-Hsg/
edit?usp=sharing.
6. Bengio Y. Representation learning:A review and new perspectives / Y. Bengio,
A. Courville, P. Vincent // IEEE Transactions on Pattern Analysis and Machine
Intelligence. — 2013. — Vol. 35. — P. 1798–1828.
7. LeCun Y. Deep learning / Y. LeCun, Y. Bengio, G. Hinton // Nature. — 2015. —
Vol. 521. — P. 436–444.
8. Krizhevsky A. Imagenet classification with deep convolutional neural networks /
A. Krizhevsky, I. Sutskever, G.E. Hinton // Advances in Neural Information Pro-
cessing Systems. — 2012. — 25. — P. 1097–1105.
9. Zaychenko Yu. Medical images of breast tumors diagnostics with application of hy-
brid CNN–FNN network / Yu. Zaychenko, G. Hamidov, I. Varga // Системні
дослідження та інформаційні технології. — 2018. — № 4. — C.37–47.
10. Zgurovsky M. The Fundamentals of Computational Intelligence: System Approach /
M. Zgurovsky, Yu. Zaychenko // Springer International Publishing AG, Switzer-
land. — 2016. — 308 p.
11. Brain MRI Images for Brain Tumor Detection. — Available at: https://www. kag-
gle.com/navoneel/brain-mri-images-for-brain-tumor-detection.
12. Understanding loss functions: Hinge loss. — Available at: https://medium.com/ ana-
lytics-vidhya/understanding-loss-functions-hinge-loss-a0ff112b40a1
13. Decoupled weight decay regularization. — Available at: https://arxiv.org/pdf/
1711.05101.pdf
14. A Closer Look at Deep Learning Heuristics: Learning rate restarts, Warmup and Dis-
tillation. — Available at: https://arxiv.org/abs/1810.13243
15. On the Difficulty of Warm-Starting Neural Network Training. — Available at:
https://arxiv.org/pdf/1910.08475.pdf
Поступила 31.01.2020
|
| id | journaliasakpiua-article-209135 |
| institution | System research and information technologies |
| keywords_txt_mv | keywords |
| language | Russian |
| last_indexed | 2025-07-17T10:26:44Z |
| publishDate | 2020 |
| publisher | The National Technical University of Ukraine "Igor Sikorsky Kyiv Polytechnic Institute" |
| record_format | ojs |
| resource_txt_mv | journaliasakpiua/a9/dc4d73e19203a5960dd7bbed050a87a9.pdf |
| spelling | journaliasakpiua-article-2091352020-08-11T08:50:57Z Brain tumor diagnostics with application of hybrid fuzzy convolutional neural networks Диагностика МРТ-изображений опухолей головного мозга с использованием гибридных сверточных нейронечетких сетей Діагностика медичних зображень пухлин головного мозку з використанням гібридних згорткових нейронечітких мереж Zaychenko, Yuriy P. Zdor, Kostiantyn A. Hamidov, Galib медична діагностика класифікація пухлин головного мозку нечітка нейромережа ANFIS згорткові нейронні мережі гібридна мережа медицинская диагностика классификация опухолей головного мозга нечеткая нейронная сеть ANFIS сверточные нейронные сети гибридная сеть medical diagnostics brain tumor classification ANFIS CNN hybrid network The problem of classification of brain tumors on medical images is considered. For its solution hybrid CNN-ANFIS is developed in which convolutional neural network VGG-16 and ResNetV2_50 are used as feature extractors while ANFIS is used as the classifier. Training algorithms of ANFIS were implemented. The experimental investigations of the suggested hybrid network on the standard dataset Brain MRI images for brain tumor detection were carried out and comparison with known results was performed. Рассмотрена проблема классификации опухолей головного мозга по медицинским МРТ-изображениям. Для ее решения разработаны гибридные нечеткие сверточные нейронные сети (CNN), в которых сверточные сети VGG-16 и ResNetV2_50 были использованы для извлечения признаков изображения, а нечеткая нейронная сеть ANFIS — в качестве классификатора. Разработаны алгоритмы обучения гибридных сетей. Проведены экспериментальные исследования предложенных гибридных сетей на стандартном датасете МРТ-изображений головного мозга и сравнения результатов с известными альтернативными структурами сверточных сетей. Розглянуто проблему класифікації пухлин головного мозку по МРТ- зображеннях. Для її вирішення розроблено гібридні нечіткі згорткові нейронні мережі, у яких згорткові мережі CNN VGG-16 і ResNetV2_50 використані для екстракції ознак зображень, а нечітка нейронна мережа ANFIS — як класифікатор пухлин. Розроблено алгоритми навчання гібридних мереж. Виконано експериментальні дослідження запропонованих гібридних мереж на стандартному датасеті МРТ-зображень головного мозку і порівняння результатів з відомими альтернативними структурами згорткових мереж. The National Technical University of Ukraine "Igor Sikorsky Kyiv Polytechnic Institute" 2020-06-23 Article Article application/pdf https://journal.iasa.kpi.ua/article/view/209135 10.20535/SRIT.2308-8893.2020.1.06 System research and information technologies; No. 1 (2020); 68-77 Системные исследования и информационные технологии; № 1 (2020); 68-77 Системні дослідження та інформаційні технології; № 1 (2020); 68-77 2308-8893 1681-6048 ru https://journal.iasa.kpi.ua/article/view/209135/209247 Copyright (c) 2021 System research and information technologies |
| spellingShingle | медична діагностика класифікація пухлин головного мозку нечітка нейромережа ANFIS згорткові нейронні мережі гібридна мережа Zaychenko, Yuriy P. Zdor, Kostiantyn A. Hamidov, Galib Діагностика медичних зображень пухлин головного мозку з використанням гібридних згорткових нейронечітких мереж |
| title | Діагностика медичних зображень пухлин головного мозку з використанням гібридних згорткових нейронечітких мереж |
| title_alt | Brain tumor diagnostics with application of hybrid fuzzy convolutional neural networks Диагностика МРТ-изображений опухолей головного мозга с использованием гибридных сверточных нейронечетких сетей |
| title_full | Діагностика медичних зображень пухлин головного мозку з використанням гібридних згорткових нейронечітких мереж |
| title_fullStr | Діагностика медичних зображень пухлин головного мозку з використанням гібридних згорткових нейронечітких мереж |
| title_full_unstemmed | Діагностика медичних зображень пухлин головного мозку з використанням гібридних згорткових нейронечітких мереж |
| title_short | Діагностика медичних зображень пухлин головного мозку з використанням гібридних згорткових нейронечітких мереж |
| title_sort | діагностика медичних зображень пухлин головного мозку з використанням гібридних згорткових нейронечітких мереж |
| topic | медична діагностика класифікація пухлин головного мозку нечітка нейромережа ANFIS згорткові нейронні мережі гібридна мережа |
| topic_facet | медична діагностика класифікація пухлин головного мозку нечітка нейромережа ANFIS згорткові нейронні мережі гібридна мережа медицинская диагностика классификация опухолей головного мозга нечеткая нейронная сеть ANFIS сверточные нейронные сети гибридная сеть medical diagnostics brain tumor classification ANFIS CNN hybrid network |
| url | https://journal.iasa.kpi.ua/article/view/209135 |
| work_keys_str_mv | AT zaychenkoyuriyp braintumordiagnosticswithapplicationofhybridfuzzyconvolutionalneuralnetworks AT zdorkostiantyna braintumordiagnosticswithapplicationofhybridfuzzyconvolutionalneuralnetworks AT hamidovgalib braintumordiagnosticswithapplicationofhybridfuzzyconvolutionalneuralnetworks AT zaychenkoyuriyp diagnostikamrtizobraženijopuholejgolovnogomozgasispolʹzovaniemgibridnyhsvertočnyhnejronečetkihsetej AT zdorkostiantyna diagnostikamrtizobraženijopuholejgolovnogomozgasispolʹzovaniemgibridnyhsvertočnyhnejronečetkihsetej AT hamidovgalib diagnostikamrtizobraženijopuholejgolovnogomozgasispolʹzovaniemgibridnyhsvertočnyhnejronečetkihsetej AT zaychenkoyuriyp díagnostikamedičnihzobraženʹpuhlingolovnogomozkuzvikoristannâmgíbridnihzgortkovihnejronečítkihmerež AT zdorkostiantyna díagnostikamedičnihzobraženʹpuhlingolovnogomozkuzvikoristannâmgíbridnihzgortkovihnejronečítkihmerež AT hamidovgalib díagnostikamedičnihzobraženʹpuhlingolovnogomozkuzvikoristannâmgíbridnihzgortkovihnejronečítkihmerež |