Targeted Neural Architectures in Multi-Objective Frameworks for Complete Glioma Characterization from Multimodal MRI

要約

脳腫瘍は、脳組織の異常な細胞増殖に起因します。
診断されていない場合、それらは認知障害、運動機能障害、感覚喪失を含む神経学的欠損を引き起こします。
腫瘍が増加すると、頭蓋内圧が増加し、脳ヘルニアなどの致命的な合併症につながる可能性があります。
早期診断と治療は、これらの効果を制御し、腫瘍の進行を遅くするために重要です。
ディープラーニング（DL）と人工知能（AI）は、磁気共鳴画像（MRI）スキャンを通じて医師が早期診断において医師を支援するためにますます使用されています。
私たちの研究では、この重要な問題を解決するために、マルチモーダルMRI画像のこれらの神経膠腫のグレードをローカライズ、セグメント化、分類できる多目的フレームワーク内の標的標的の神経アーキテクチャを提案しています。
ローカリゼーションフレームワークは、VGG19に触発されたエンコーダーでLinkNetフレームワークを強化するターゲットアーキテクチャを利用して、腫瘍からのより良いマルチモーダル特徴抽出と、特徴の焦点と機能間関係をシャープにする空間およびグラフの注意メカニズムを使用します。
セグメンテーションの目的では、seresnet101 CNNモデルを使用して、リンクネットアーキテクチャに統合されたエンコーダバックボーンとして専門的なフレームワークを展開し、96％のIOUスコアを達成しました。
分類目標は、SERESNET152特徴抽出器と適応ブースト分類器を組み合わせて、98.53％の精度に達することにより実装された明確なフレームワークを通じて対処されます。
ターゲットを絞ったニューラルアーキテクチャを備えた多目的アプローチは、完全な神経膠腫特性評価の有望な結果を示しました。これは、早期診断を可能にし、患者により正確な治療オプションを提供することにより、医療AIを前進させる可能性があります。

要約(オリジナル)

Brain tumors result from abnormal cell growth in brain tissue. If undiagnosed, they cause neurological deficits, including cognitive impairment, motor dysfunction, and sensory loss. As tumors grow, intracranial pressure increases, potentially leading to fatal complications such as brain herniation. Early diagnosis and treatment are crucial to controlling these effects and slowing tumor progression. Deep learning (DL) and artificial intelligence (AI) are increasingly used to assist doctors in early diagnosis through magnetic resonance imaging (MRI) scans. Our research proposes targeted neural architectures within multi-objective frameworks that can localize, segment, and classify the grade of these gliomas from multimodal MRI images to solve this critical issue. Our localization framework utilizes a targeted architecture that enhances the LinkNet framework with an encoder inspired by VGG19 for better multimodal feature extraction from the tumor along with spatial and graph attention mechanisms that sharpen feature focus and inter-feature relationships. For the segmentation objective, we deployed a specialized framework using the SeResNet101 CNN model as the encoder backbone integrated into the LinkNet architecture, achieving an IoU Score of 96%. The classification objective is addressed through a distinct framework implemented by combining the SeResNet152 feature extractor with Adaptive Boosting classifier, reaching an accuracy of 98.53%. Our multi-objective approach with targeted neural architectures demonstrated promising results for complete glioma characterization, with the potential to advance medical AI by enabling early diagnosis and providing more accurate treatment options for patients.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google