DÉTECTION DE TUMEURS CÉRÉBRALES BASÉE SUR DES IMAGES MEG ET PET À L'AIDE DE LA SEGMENTATION OTSU DE KAPUR ET DE LA CLASSIFICATION MOBILENET OPTIMISÉE PAR LA SOOTY
DOI :
https://doi.org/10.59277/RRST-EE.2024.69.3.18Mots-clés :
Détection des tumeurs cérébrales, Caractéristiques hexagonales hybrides, Images MEG et TEP, L'apprentissage en profondeur, Algorithme de seuil Otsu de Kapur, MobileNet basé sur l'optimisation de SootyRésumé
Les techniques d’apprentissage profond ont récemment révolutionné l’analyse d’images médicales, en particulier dans la détection des tumeurs cérébrales (BT). Un aperçu complet des avancées et des défis associés à l’utilisation de méthodologies d’apprentissage profond pour la détection précise et rapide de la BT. Ce travail propose un nouveau réseau mobile hexagonal hybride cérébral (BH2Mnet) pour identifier les tumeurs bénignes et malignes à l'aide d'images MEG et PET. Un filtre bilatéral adaptatif (ABF) est utilisé comme débruitage pour les images d'entrée afin d'éliminer les artefacts de bruit. En éliminant le crâne et les régions corticales externes, un processus connu sous le nom de « décapage du crâne » est utilisé pour augmenter le nombre d'images d'entraînement. Les images débruitées sont segmentées pour détecter le BT à l'aide de l'algorithme du seuil Otsu (KOT) de Kapur. Sur la base de ces tumeurs segmentées, des ensembles de caractéristiques hexagonales avec et sans masques de segmentation sont produits à l'aide de caractéristiques hexagonales hybrides (HHF). Enfin, le classificateur MobileNet basé sur l'optimisation Sooty est utilisé pour classer le BT en cas bénins et malins. Il a été déterminé que l'approche BH2Mnet proposée était précise à 99,21 % dans la classification des données. Selon le BH2Mnet NS-CNN proposé, la précision totale est améliorée de 1,67 %, 2,69 % et 4,11 % par rapport aux hybrides DAE, BFC, Deep CNN et Neutrosophy.
Références
(1) A. Hossain, M.T. Islam, S.K. Abdul Rahim, M.A. Rahman, T. Rahman, H. Arshad, A. Khandakar, M.A. Ayari, M.E. Chowdhury, A lightweight deep learning based microwave brain image network model for brain tumor classification using reconstructed microwave brain (RMB) images, Biosensors, 13, 2, pp. 238 (2023).
(2) R. Sundarasekar, A. Appathurai, Efficient brain tumor detection and classification using magnetic resonance imaging, Biomedical Physics & Engineering Express, 7, 5, 055007 (2021).
(3) M.K. Islam, M.S. Ali, M.S. Miah, M.M. Rahman, M.S. Alam, M.A. Hossain, Brain tumor detection in MR image using superpixels, principal component analysis and template-based K-means clustering algorithm, Machine Learning with Applications, 5, 100044 (2021).
(4) E. Porumb-Andrese, C.F. Costea, G. Macovei, G.F. Dumitrescu, L.A. Blaj, I. Prutianu, A.I. Cucu, Humps and bumps of head: review of meningiomas of the scalp, Romanian Journal of Morphology and Embryology, Rev. Roum. Sci. Techn. – Électrotechn. Et Énerg., 64, 4, pp. 467–473 (2023).
(5) S. Hussain, I. Mubeen, N. Ullah, S.S.U.D. Shah, B.A. Khan, M. Zahoor, M.A. Sultan, Modern diagnostic imaging technique applications and risk factors in the medical field: a review, BioMed Research International (2022).
(6) A.V. Reddy, P.K. Mallick, B. Srinivasa Rao, P. Kanakamedala, An efficient brain tumor classification using MRI images with hybrid deep intelligence model, The Imaging Science Journal, 1–15 (2023).
(7) M.B. Coomans, S.D. van der Linden, K. Gehring, M.J. Taphoorn, Treatment of cognitive deficits in brain tumour patients: current status and future directions, Current opinion in oncology, 31, 6, pp. 540 (2019).
(8) A.I. Cucu, C.F. Costea, G. Macovei, G.F. Dumitrescu, A. Sava, L.A. Blaj, I. Prutianu, E. Porumb-Andrese, C.G. Dascălu, M. Coşman, I. Poeată, Clinicopathological characteristics and prognostic factors of atypical meningiomas with bone invasion: a retrospective analysis of nine cases and literature review, Romanian Journal of Morphology and Embryology, Revue Roumaine de Morphologie et Embryologie, 64, 4, pp. 509–515 (2023).
(9) S. Li, C. Wang, J. Chen, Y. Lan, W. Zhang, Z. Kang, Y. Zheng, R. Zhang, J. Yu, W. Li, Signaling pathways in brain tumors and therapeutic interventions, Signal Transduction and Targeted Therapy, 8, 1, pp. 8 (2023).
(10) A. Ramaiah, P.D. Balasubramanian, A. Appathurai, N.A. Muthukumaran, Detection of Parkinson's disease via Clifford gradient-based recurrent neural network using multi-dimensional data, Rev. Roum. Sci. Techn. – Électrotechn. Et Énerg., 69, 1, pp.103–108 (2024).
(11) V.V.S. Sasank, S. Venkateswarlu, hybridized deep neural network using adaptive rain optimizer algorithm for multi-grade brain tumor classification of MRI images, Digital Technologies Research and Applications, 1, 1, pp. 14–31 (2022).
(12) K.S. Rahul, Hybrid Model Implementation for Brain Tumor Detection System using Deep Neural Networks, International Journal for Research in Applied Science & Engineering Technology (IJRASET), 8, 12, pp. 281–285 (2020).
(13) D.P. Kruti, Medical Image Processing, IJSCUB, 12, 4, pp. 646–652 (2022).
(14) G.G. Tolun, Y.A. Kaplan, Development of backpropagation algorithm for estimating solar radiation: a case study in Turkey, Rev. Roum. Sci. Techn. – Électrotechn. Et Énerg., 68, 3, pp. 313–316 (2023).
(15) S.K. Zhou, H. Greenspan, C. Davatzikos, J.S. Duncan, B. van Ginneken, A. Madabhushi, R.M. Summers, A review of deep learning in medical imaging: Imaging traits, technology trends, case studies with progress highlights, and future promises, Proceedings of the IEEE, 109, 5, pp. 820–838 (2021).
(16) A. Topor, D. Ulieru, C. Ravariu, F. Babarada, Development of a new one-eye implant by 3D bioprinting technique, Rev. Roum. Sci. Techn. – Électrotechn. Et Énerg., 68, 2, pp. 247–250 (2023).
(17) M.A. Khan, I. Ashraf, M. Alhaisoni, R. Damaševičius, R. Scherer, A. Rehman, S.A.C. Bukhari, Multimodal brain tumor classification using deep learning and robust feature selection: a machine learning application for radiologists, Diagnostics, 10, 8, pp. 565 (2020).
(18) E. Cargnelutti, B. Tomasino, Pre-operative functional mapping in patients with brain tumors by fMRI and MEG: advantages and disadvantages in the use of one technique over the other, Life, 13, 3, pp. 609 (2023).
(19) M. Thayumanavan, A. Ramasamy, An efficient approach for brain tumor detection and segmentation in MR brain images using random forest classifier, Concurrent Eng., 29, 3, pp. 266–274 (2021).
(20) P.S. Raja, Brain tumor classification using a hybrid deep autoencoder with Bayesian fuzzy clustering-based segmentation approach, Biocybern. Biomed. Eng., 40, 1, pp. 440–453 (2020).
(21) F.J. Díaz-Pernas, M. Martínez-Zarzuela, M. Antón-Rodríguez, D. González-Ortega, A deep learning approach for brain tumor classification and segmentation using a multiscale convolutional neural network, Healthcare, 9, 2, p. pp. 153 (2021).
(22) J. Kang, Z. Ullah, J. Gwak, MRI-based brain tumor classification using ensemble of deep features and machine learning classifiers, Sens, 21, 6, pp. 2222 (2021).
(23) F. Özyurt, E. Sert, E. Avci, E. Dogantekin, Brain tumor detection based on convolutional neural network with neutrosophic expert maximum fuzzy sure entropy, Measurement, 147, 106830 (2019).
(24) G.S. Tandel, A. Tiwari, O.G. Kakde, Performance optimisation of deep learning models using majority voting algorithm for brain tumour classification, Comput. Biol. Med., 135, 104564 (2021).
(25) C. Yan, J. Ding, H. Zhang, K. Tong, B. Hua, S. Shi, SEResU-Net for Multimodal Brain Tumor Segmentation, IEEE Access, 10, pp. 117033–117044 (2022).
(26) S. Kuraparthi, M.K. Reddy, C.N. Sujatha, H. Valiveti, C. Duggineni, M. Kollati, P. Kora, Brain tumor classification of MRI images using deep convolutional neural network, Traitement du Signal, 38, 4, pp. 1171–1179 (2021).
(27) A. Singh, A. Sharma, S. Rajput, A.K. Mondal, A. Bose, M. Ram, Parameter extraction of solar module using the sooty tern optimization algorithm, Electronics, 11, 4, pp. 564 (2022).
(28) T.H. Arfan, M. Hayaty, A. Hadinegoro, Classification of brain tumours types based on MRI images using MobileNet, 2nd International Conference on Innovative and Creative Information Technology (ICITech) IEEE, pp. 69–73 (2021).
(29) L.J. Ahmed, P.M. Bruntha, S. Dhanasekar, V. Chitra, D. Balaji, N. Senathipathi, An improvised image registration technique for brain tumor identification and segmentation using ANN Approach, 6th International Conference on Devices, Circuits and Systems (ICDCS) IEEE pp. 80–84 (2022).
(30) S. Gnana Sophia, K.K. Thanammal, S.S. Sujatha, Secure storage of lung brain multi-modal medical images using DNA homomorphic encryption, International Journal of Current Bio-Medical Engineering, 1, 1, pp. 16–22 (2023).
(31) S. Karpakam, N. Senthilkumar, R. Kishorekumar, U. Ramani, P. Malini, S. Irfanbasha, Investigation of brain tumor recognition and classification using deep learning in medical image processing, International Conference on Augmented Intelligence and Sustainable Systems (ICAISS) IEEE, pp. 185–188 (2022).
(32) A. Jegatheesh, N. Kopperundevi, M.A.A.S.I. Tinu, Brain aneurysm detection via firefly optimized spiking neural network, International Journal of Current Bio-Medical Engineering, 1, 1, pp. 23–29 (2023).
Téléchargements
Publiée
Numéro
Rubrique
Licence
(c) Copyright REVUE ROUMAINE DES SCIENCES TECHNIQUES — SÉRIE ÉLECTROTECHNIQUE ET ÉNERGÉTIQUE 2024
Ce travail est disponible sous licence Creative Commons Attribution - Pas d'Utilisation Commerciale - Pas de Modification 4.0 International.
