南烏拉爾州立大學(xué)的科學(xué)家與外國同事合作，提出了一種基于深度信仰網(wǎng)絡(luò)的MRI圖像分類模型，該模型將有助于更快，更準(zhǔn)確地檢測出惡性腦腫瘤。該研究報告發(fā)表在《大數(shù)據(jù)雜志》上，并在科學(xué)計量的Scopus數(shù)據(jù)庫中建立了索引。

深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)對腦腫瘤的診斷準(zhǔn)確性

膠質(zhì)母細(xì)胞瘤(GBM)是4期惡性腦腫瘤，其中很大一部分腫瘤細(xì)胞在任何給定時刻都在繁殖。此類腫瘤會危及生命，并可能導(dǎo)致部分或完全的精神和身體殘疾。

這項研究由來自印度大學(xué)和南烏拉爾州立大學(xué)的國際科學(xué)家小組進(jìn)行。電子工程與計算機(jī)科學(xué)學(xué)院計算機(jī)科學(xué)系高級研究員，博士后庫馬爾·薩欽(Kumar Sachin)博士，副教授米哈伊爾·齊布勒(Mikhail Tsymbler)開發(fā)了用于MRI圖像計算機(jī)分析的方法(磁共振成像))以檢測膠質(zhì)母細(xì)胞瘤基于人工深信網(wǎng)絡(luò)的腫瘤。

人工神經(jīng)網(wǎng)絡(luò)(ANN)是一種功能強(qiáng)大的機(jī)器學(xué)習(xí)方法，可以高精度處理大量數(shù)據(jù)。深度學(xué)習(xí)方法還可以自動從大型數(shù)據(jù)集中提取特征，盡管由于尚未開發(fā)出相應(yīng)的數(shù)學(xué)驗(yàn)證程序，因此不能保證所提取特征的正確性。

“在這項研究中，我們提出了一種使用混合深信網(wǎng)絡(luò)(DBN)對膠質(zhì)母細(xì)胞瘤腫瘤進(jìn)行磁共振成像(MRI)進(jìn)行分類的分類模型。我們提出了三個階段的圖像分類框架。第一階段進(jìn)行數(shù)據(jù)預(yù)處理，包括使用離散小波變換的特征提取(一種允許您分析數(shù)據(jù)頻率的功能)，矢量化和構(gòu)造其他特征以進(jìn)行處理的第二階段，使用主成分分析處理圖像的降維，并提供降維特征向量，以實(shí)現(xiàn)平滑的圖像分類。第三階段包括一堆受限的Boltzmann機(jī)器，這些機(jī)器形成了具有隱藏層的深信網(wǎng)絡(luò)，” Kumar Sachin解釋說。

深度信任網(wǎng)絡(luò)通常需要包含大量神經(jīng)元的大量隱藏層，才能從原始圖像數(shù)據(jù)中學(xué)習(xí)最佳功能。因此，計算和空間復(fù)雜度很高，并且需要大量的訓(xùn)練時間。所提出的方法將離散小波變換與深度信任網(wǎng)絡(luò)相結(jié)合，以提高現(xiàn)有深度信任網(wǎng)絡(luò)模型的效率。使用幾個統(tǒng)計參數(shù)驗(yàn)證結(jié)果。統(tǒng)計驗(yàn)證證明，在訓(xùn)練時間，空間復(fù)雜度和分類準(zhǔn)確性方面，離散小波變換和深信度網(wǎng)絡(luò)的組合優(yōu)于其他分類器。

神經(jīng)網(wǎng)絡(luò)將幫助醫(yī)生

這項研究中提出的方法和方法可用于開發(fā)使用MRI圖像診斷和檢測癌性腫瘤和其他細(xì)胞病變的自動化系統(tǒng)。

“醫(yī)學(xué)配備了先進(jìn)的設(shè)備和技術(shù)。MRI機(jī)器能夠捕獲大腦和身體其他部位的高對比度圖像。這些MRI掃描對于診斷和檢測腫瘤和其他缺陷細(xì)胞非常有用。為了閱讀和理解這些MRI掃描，需要知識和經(jīng)驗(yàn)。有時，缺少訓(xùn)練有素的人員可能會延遲診斷過程。因此，為了使過程自動化，可以使用機(jī)器學(xué)習(xí)方法來開發(fā)分類模型，” Mikhail Tsymbler說。

當(dāng)處理大量MRI圖像(包括具有遮擋的模板)時，可以向提高分類模型效率的方向擴(kuò)展研究。阻塞通常表示大腦血管阻塞，需要特別注意以進(jìn)行準(zhǔn)確診斷。這項研究沒有考慮開發(fā)模型在血管閉塞性腫瘤中的應(yīng)用。因此，將深度學(xué)習(xí)方法應(yīng)用于此類數(shù)據(jù)是未來研究的有趣方向。