(46-4) 13 * << * >> * Русский * English * Содержание * Все выпуски

Повышение эффективности анализа изображений МРТ головного мозга с использованием отбора признаков
В.В. Коневский 1, А.В. Благов 1, А.В. Гайдель 1,2, А.В. Капишников 3, А.В. Куприянов 1, Е.Н. Суровцев 3, Д.Г. Асатрян 4,5

Самарский национальный исследовательский университет имени академика С.П. Королёва,
443086, Россия, г. Самара, Московское шоссе, д. 34;
ИСОИ РАН – филиал ФНИЦ «Кристаллография и фотоника» РАН,
443001, Россия, г. Самара, ул. Молодогвардейская, д. 151;
Федеральное государственное бюджетное образовательное учреждение высшего образования «Самарский государственный медицинский университет» Министерства здравоохранения Российской Федерации,
443099, Россия, г. Самара, ул. Чапаевская, д. 89;
Российско-Армянский (Славянский) университет, Ереван, Армения;
Институт проблем информатики и автоматизации национальной академии наук, Ереван, Армения

 PDF, 807 kB

DOI: 10.18287/2412-6179-CO-1040

Страницы: 621-627.

Аннотация:
В данной статье рассматривается возможность повышения качества анализа изображений МРТ головного мозга в различных режимах сканирования путем использования алгоритмов жадного отбора признаков. Всего было рассмотрено пять последовательностей МРТ. Формирование текстурных признаков производилось с использованием програм-много комплекса MaZda. С использованием алгоритма рекурсивного отбора признаков удалось повысить точность определения типа опухоли с 69% до 100%. С помощью комбинированного алгоритма отбора признаков удалось повысить точность определения необходимости лечения пациента с 60% до 78% и с 81% до 88% в случае использования дополнительного класса, содержащего в себе данные пациентов, у которых точный результат лечения не известен. Использование текстурных признаков в совокупности с признаком, отвечающим за тип менингиомы, позволило однозначно определить необходимость лечения пациента.

Ключевые слова:
текстурный анализ, компьютерная оптика, обработка изображений, жадные алгоритмы, диагностика МРТ, менингиома.

Цитирование:
Коневский, В.В. Повышение эффективности анализа изображений МРТ головного мозга с использованием отбора признаков / В.В. Коневский, А.В. Благов, А.В. Гайдель, А.В. Капишников, А.В. Куприянов, Е.Н. Суровцев, Д.Г. Асатрян // Компьютерная оптика. – 2022. – Т. 46, № 4. – С. 621-627. – DOI: 10.18287/2412-6179-CO-1040.

Citation:
Konevsky VV, Blagov AV, Gaidel AV, Kapishnikov AV, Kupriyanov AV, Surovtsev EN, Asatryan DG. Improving the efficiency of brain MRI image analysis using feature selection. Computer Optics 2022; 46(4): 621-627. DOI: 10.18287/2412-6179-CO-1040.

References:

  1. Ostrom QT, Patil N, Cioffi G, Waite K, Kruchko C, Barn-holtz-Sloan JS. CBTRUS statistical report: Primary brain and other central nervous system tumors diagnosed in the united states in 2013-2017. Neuro Oncol 2020; 22(Suppl 2): iv1-iv96. DOI: 10.1093/neuonc/noaa200.
  2. Kholin AV. Magnetic resonance imaging for diseases and injuries of the central nervous system [In Russian]. Moscow: "MEDpress-inform" Publisher; 2017.
  3. Louis DN, Perry A, Reifenberger G, von Deimling A, Figa-rella-Branger D, Cavenee WK, Ohgaki H, Wiestler OD, Kleihues P, Ellison DW. The 2016 world health organization classification of tumors of the central nervous system: A summary. Acta Neuropathol 2016; 131(6): 803-820. doi: 10.1007/s00401-016-1545-1.
  4. Goldbrunner R, Minniti G, Preusser M, et al. EANO guidelines for the diagnosis and treatment of meningiomas. Lancet Oncol 2016; 17(9): e383-e391. DOI: 10.1016/S1470-2045(16)30321-7.
  5. Goldbrunner R, Weller M, Regis J, et al. EANO guideline on the diagnosis and treatment of vestibular schwannoma. Neuro Oncol 2020; 22(1): 31-45. doi: 10.1093/neuonc/noz153.
  6. Shabani S, Kaushal M, Kaufman B, et al. Intracranial ex-traskeletal mesenchymal chondrosarcoma: Case report and review of the literature of reported cases in adults and children. World Neurosurg 2019; 129: 302-310. doi: 10.1016/j.wneu.2019.05.221.
  7. Strasilla C, Sychra V. Bildgebende Diagnostik des Vestibu-larisschwannoms. HNO 2017; 65(5): 373-380. doi: 10.1007/s00106-016-0227-6.
  8. Kim KH, Kang SJ, Choi JW, et al. Clinical and radiological outcomes of proactive Gamma Knife surgery for asympto-maticmeningiomas compared with the natural course without intervention. J Neurosurg 2018; 130(5): 1740-1749. doi: 10.3171/2017.12.JNS171943.
  9. Nasi D, Zunarelli E, Puzzolante A, Moriconi E, Pavesi G. Early life-threating enlargement of a vestibular schwannoma after gamma knife radiosurgery. Acta Neurochir (Wien) 2020; 162(8): 1977-1982. doi: 10.1007/s00701-020-04434-2.
  10. Kim JH, Jung HH, Chang JH, Chang JW, Park YG, Chang WS. Predictive factors of unfavorable events after gamma knife radiosurgery for vestibular schwannoma. World Neurosurg 2017; 107: 175-184. doi: 10.1016/j.wneu.2017.07.139.
  11. Speckter H, Bido J, Hernandez G, Rivera D, Suazo L, Valenzuela S, Miches I, Oviedo J, Gonzalez C, Stoeter P. Pretreatment texture analysis of routine MR images and shape analysis of the diffusion tensor for prediction of volumetric response after radiosurgery for meningioma. J Neurosurg 2018; 129(Suppl 1): 31-37. doi: 10.3171/2018.7.GKS181327.
  12. Lambin P, Leijenaar RTH, Deist TM, et al. Radiomics: the bridge between medical imaging and personalized medicine. Nat Rev Clin Oncol 2017; 14(12): 749-762. doi: 10.1038/nrclinonc.2017.141.
  13. Agafonova YuD, Gaidel AV, Zelter PM, Kapishnikov AV. Efficiency of machine learning algorithms and convolutional neural network for detecting of pathological changes in MR images of the brain. Computer Optics 2020; 44(2): 266-273. DOI: 10.18287/2412-6179-CO-671.
  14. Wen PY, Chang SM, Van den Bent MJ, Vogelbaum MA, Macdonald DR, Lee EQ. Response assessment in neuro-oncology clinical trials. J Clin Oncol 2017; 35(21): 2439-2449. doi: 10.1200/JCO.2017.72.7511.
  15. Szczypinski PM, Strzelecki M, Materka A. MaZda – a software for texture analysis. Int Symposium on Information Technology Convergence 2007: 245-249. DOI: 10.1109/ISITC.2007.15.
  16. Fernández-Delgado M, Cernadas E, Barro S, Amorim D. Do we need hundreds of classifiers to solve real world classification problems? J Mach Learn Res 2014; 15(1): 3133-3181. DOI: 10.5555/2627435.2697065.
  17. Guyon I, Weston J, Barnhill S, Vapnik V. Gene selection for cancer classification using support vector machines. Mach Learn 2002; 46(1-3): 389-422. DOI: 10.1023/A:1012487302797.
  18. Couvreur C, Bresler Y. On the optimality of the back-ward greedy algorithm for the subset selection problem. SIAM J Matrix Anal Appl 2000; 21(3): 797-808. DOI: 10.1137/S0895479898332928.
  19. Goncharova EF, Gaidel AV. Greedy algorithms of feature selection for multiclass image classification. CEUR Workshop Proceedings 2018; 2210: 38-46.
  20. Marcano-Cedeño A, Quintanilla-Domínguez J, Cortina-Januchs MG, Andina D. Feature selection using sequential forward selection and classification applying artificial metaplasticity neural network. IECON 2010 – 36th Annual Conf on IEEE Industrial Electronics 2010: 2845-2850. DOI: 10.1109/IECON.2010.5675075.

© 2009, IPSI RAS
Россия, 443001, Самара, ул. Молодогвардейская, 151; электронная почта: journal@computeroptics.ru; тел: +7 (846) 242-41-24 (ответственный секретарь), +7 (846) 332-56-22 (технический редактор), факс: +7 (846) 332-56-20