H-Detect: алгоритм раннего выявления гидроцефалии
Ключевые слова:
гидроцефалия, компьютерная томография (КТ), метод H-детекции, спинномозговая жидкость (ликвор), треугольные нечеткие правила, обнаружение краевАннотация
Гидроцефалия - это заболевание центральной нервной системы, которое чаще всего поражает младенцев и детей ясельного возраста. Оно начинается с аномального накопления спинномозговой жидкости в желудочковой системе головного мозга. Следовательно, жизненно важной становится ранняя диагностика, которая может быть выполнена с помощью компьютерной томографии (КТ), одного из наиболее эффективных методов диагностики гидроцефалии (КТ), при котором становится очевидным увеличение желудочковой системы. Однако большинство оценок прогрессирования заболевания основаны на оценке рентгенолога и физических показателях, которые являются субъективными, отнимающими много времени и неточными. В этой статье разрабатывается автоматическое прогнозирование с использованием фреймворка H-detect для повышения точности прогнозирования гидроцефалии. В этой статье используется этап предварительной обработки для нормализации входного изображения и удаления нежелательных шумов, что может помочь легко извлечь ценные признаки. Выделение признаков осуществляется путем сегментации изображения на основе определения границ с использованием треугольных нечетких правил. Таким образом, выделяется точная информация о природе ликвора внутри мозга. Эти сегментированные изображения сохраняются и снова передаются алгоритму CatBoost. Обработка категориальных признаков позволяет ускорить обучение. При необходимости детектор переобучения останавливает обучение модели и, таким образом, эффективно прогнозирует гидроцефалию. Результаты демонстрируют, что новая стратегия H-detect превосходит традиционные подходы.
Литература
1. Zhang X.J., Guo J., Yang J. Cerebrospinal fluid biomarkers in idiopathic normal pressure hydrocephalus. Neuroimmunology and Neuroinflammation. 2020. vol. 7. no. 2. pp. 109–119.
2. Karimy J.K., Reeves B.C., Damisah E., Duy P.Q., Antwi P., David W., Kahle K.T. Inflammation in acquired Hydrocephalus: pathogenic mechanisms and therapeutic targets. Nature Reviews Neurology. 2020. vol. 16. no. 5. pp. 285–296.
3. Paulsen A.H. Adult outcome in pediatric Hydrocephalus. 2018. 58 p.
4. Saygili G., Yigin B.O., Guney G., Algin O. Exploiting lamina terminalis appearance and motion in the prediction of Hydrocephalus using convolutional LSTM network. Journal of Neuroradiology. 2022. vol. 49. no. 5. pp. 364–369.
5. Nakajima M., Kawamura K., Akiba C., Sakamoto K., Xu H., Kamohara C., Miyajima M. Differentiating comorbidities and predicting prognosis in idiopathic normal pressure hydrocephalus using cerebrospinal fluid biomarkers. Croatian Medical Journal. 2021. vol. 62. no. 4. pp. 387–398.
6. Yigin B.O., Algin O., Saygili G. Comparison of morphometric parameters in prediction of Hydrocephalus using random forests. Computers in Biology and Medicine. 2020. vol. 116. no. 103547.
7. Chiarelli P.A., Hauptman J.S., Browd S.R. Machine learning and the prediction of Hydrocephalus: Can quantitative image analysis assist the clinician? JAMA paediatric. 2018. vol. 172. no. 2. pp. 116–118.
8. Chen J., He W., Zhang X., Lv M., Zhou X., Yang X., Xia J. Value of MRI-based semi-quantitative structural neuroimaging in predicting the prognosis of patients with idiopathic normal pressure hydrocephalus after shunt surgery. European Radiology. 2022. vol. 32. no. 11. pp. 7800–7810.
9. Sotoudeh H., Sadaatpour Z., Rezaei A., Shafaat O., Sotoudeh E., Tabatabaie M., Tanwar M. The Role of Machine Learning and Radiomics for Treatment Response Prediction in Idiopathic Normal Pressure Hydrocephalus. Cureus. 2021. vol. 13. no. 10.
10. Mao Y., Shen Z., Wang J., Zhu H., Yu Z., Chen X., Cheng H. Deep Learning-Based MR Imaging for Analysis of Relation between Cerebrospinal Fluid Variation and Communicating Hydrocephalus after Decompressive Craniectomy for Craniocerebral Injury. Scientific Programming. 2022. vol. 2022.
11. Brito C., Machado A., Sousa A.L. Electrocardiogram beat classification based on a Res-Net network. Studies in Health Technology and Informatics. 2019. vol. 264. pp. 55–59.
12. Hu Y., Zhao H., Li W., Li J. Semantic image segmentation of brain MRI with deep learning. Zhong nan da XueXueBao. Yi Xue ban Journal of Central South University. Medical sciences. 2021. vol. 46. no. 8. pp. 858–864.
13. Kang J., Ullah Z., Gwak J. MRI-based brain tumour classification using ensemble of deep features and machine learning classifiers. Sensors. 2021. vol. 21(6). no. 2222.
14. Huang Y., Moreno R., Malani R., Meng A., Swinburne N., Holodny A.I., Young R.J. Deep Learning Achieves Neuroradiologist-Level Performance in Detecting Hydrocephalus Requiring Treatment. Journal of Digital Imaging. 2022. vol. 35. no. 6. pp. 1662–1672.
15. Narmatha C., Eljack S.M., Tuka A.A.R.M., Manimurugan S., Mustafa M. A hybrid fuzzy brain-storm optimization algorithm for the classification of brain tumour MRI images. Journal of ambient intelligence and humanized computing. 2020. pp. 1–9.
16. Prokhorenkova L., Gusev G., Vorobev A., Dorogush A.V, Gulin A. CatBoost: Unbiased Boosting with Categorical Features. Advances in Neural Information Processing Systems. 2018. vol. 31. pp. 6638–6648.
17. Nguyen N.Q., Lee S.W. Robust Boundary Segmentation in Medical Images Using a Consecutive Deep Encoder-Decoder Network. IEEE Access. 2019. vol. 7. pp. 33795–33808. DOI: 10.1109/ACCESS.2019.2904094.
18. Liu B., He S., He D., Zhang Y., Guizani M. A Spark-based Parallel Fuzzy $c$-Means Segmentation Algorithm for Agricultural Image Big Data. IEEE Access. 2019. vol. 7. pp. 42169–42180. DOI: 10.1109/ACCESS.2019.2907573.
19. Almotiri J., Elleithy K., Elleithy A. A Multi-Anatomical Retinal Structure Segmentation System for Automatic Eye Screening Using Morphological Adaptive Fuzzy Thresholding. IEEE Journal of Translational Engineering in Health and Medicine. 2018. vol. 6. pp. 1–23. DOI: 10.1109/JTEHM.2018.2835315.
20. Liu M., Jiang J., Wang Z. Colonic Polyp Detection in Endoscopic Videos with Single Shot Detection Based Deep Convolutional Neural Network. IEEE Access. 2019. vol. 7. pp. 75058–75066. DOI: 10.1109/ACCESS.2019.2921027.
21. Raweh A.A., Nassef M., Badr A. A Hybridized Feature Selection and Extraction Approach for Enhancing Cancer Prediction Based on DNA Methylation. IEEE Access. 2018. vol. 6. pp. 15212–15223. DOI: 10.1109/ACCESS.2018.2812734.
22. Gonzalez R., Tou J. Pattern recognition principles. Applied Mathematics and Computation. Reading, MA: Addison-Wesley. 1974. 377 p.
23. Lingras P., West C. Interval set clustering of web users with rough k-means. Journal of Intelligent Information Systems. 2004. vol. 23. no. 1. pp. 5–16. DOI: 10.1023/B:JIIS.0000029668.88665.1a.
24. Chuang K.S., Tzeng H.L., Chen S., Wu J., Chen T.J. Fuzzy c-means clustering with spatial information for image segmentation. Comput. Med. Imag. Graph., Jan. 2006. vol. 30. no. 1. pp. 9–15. DOI: 10.1016/j.compmedimag.2005.10.001.
25. Lingras P., Peters G. Applying rough set concepts to clustering. In Rough Sets: Selected Methods and Applications in Management and Engineering. London: Springer. 2012. pp. 23–37.
26. Ji Z., Sun Q., Xia Y., Chen Q., Xia D., Feng D. Generalized rough fuzzy c-means algorithm for brain MR image segmentation. Computer methods and programs in biomedicine. 2012. vol. 108. no. 2. pp. 644–655.
27. Namburu A., Srinivas Kumar S., Srinivasa Reddy E. Review of Set-Theoretic Approaches to Magnetic Resonance Brain Image Segmentation. IETE Journal of Research. 2022. vol. 68. no. 1. pp. 350–367. DOI: 10.1080/03772063.2019.1604176.
28. Dubey Y.K., Mushrif M.M., Mitra K. Segmentation of brain MR images using rough set based intuitionistic fuzzy clustering. Biocybern. Biomedical engineering. 2016. vol. 36. no. 2. pp. 413–426. DOI: 10.1016/j.bbe.2016.01.001.
29. Liu J., Peng Y., Zhang Y.A Fuzzy Reasoning Model for Cervical Intraepithelial Neoplasia Classification Using Temporal Grayscale Change and Textures of Cervical Images during Acetic Acid Tests. IEEE Access. 2019. vol. 7. pp. 13536–13545. DOI: 10.1109/ACCESS.2019.2893357.
30. Brunese L., Mercaldo F., Reginelli A., Santone A. Prostate Gleason Score Detection and Cancer Treatment through Real-Time Formal Verification. IEEE Access. 2019. vol. 7. pp. 186236–186246. DOI: 10.1109/ACCESS.2019.2961754.
31. Yin S., Zhang Y., Karim S. Large Scale Remote Sensing Image Segmentation Based on Fuzzy Region Competition and Gaussian Mixture Model. IEEE Access. 2018. vol. 6. pp. 26069–26080. DOI: 10.1109/ACCESS.2018.2834960.
2. Karimy J.K., Reeves B.C., Damisah E., Duy P.Q., Antwi P., David W., Kahle K.T. Inflammation in acquired Hydrocephalus: pathogenic mechanisms and therapeutic targets. Nature Reviews Neurology. 2020. vol. 16. no. 5. pp. 285–296.
3. Paulsen A.H. Adult outcome in pediatric Hydrocephalus. 2018. 58 p.
4. Saygili G., Yigin B.O., Guney G., Algin O. Exploiting lamina terminalis appearance and motion in the prediction of Hydrocephalus using convolutional LSTM network. Journal of Neuroradiology. 2022. vol. 49. no. 5. pp. 364–369.
5. Nakajima M., Kawamura K., Akiba C., Sakamoto K., Xu H., Kamohara C., Miyajima M. Differentiating comorbidities and predicting prognosis in idiopathic normal pressure hydrocephalus using cerebrospinal fluid biomarkers. Croatian Medical Journal. 2021. vol. 62. no. 4. pp. 387–398.
6. Yigin B.O., Algin O., Saygili G. Comparison of morphometric parameters in prediction of Hydrocephalus using random forests. Computers in Biology and Medicine. 2020. vol. 116. no. 103547.
7. Chiarelli P.A., Hauptman J.S., Browd S.R. Machine learning and the prediction of Hydrocephalus: Can quantitative image analysis assist the clinician? JAMA paediatric. 2018. vol. 172. no. 2. pp. 116–118.
8. Chen J., He W., Zhang X., Lv M., Zhou X., Yang X., Xia J. Value of MRI-based semi-quantitative structural neuroimaging in predicting the prognosis of patients with idiopathic normal pressure hydrocephalus after shunt surgery. European Radiology. 2022. vol. 32. no. 11. pp. 7800–7810.
9. Sotoudeh H., Sadaatpour Z., Rezaei A., Shafaat O., Sotoudeh E., Tabatabaie M., Tanwar M. The Role of Machine Learning and Radiomics for Treatment Response Prediction in Idiopathic Normal Pressure Hydrocephalus. Cureus. 2021. vol. 13. no. 10.
10. Mao Y., Shen Z., Wang J., Zhu H., Yu Z., Chen X., Cheng H. Deep Learning-Based MR Imaging for Analysis of Relation between Cerebrospinal Fluid Variation and Communicating Hydrocephalus after Decompressive Craniectomy for Craniocerebral Injury. Scientific Programming. 2022. vol. 2022.
11. Brito C., Machado A., Sousa A.L. Electrocardiogram beat classification based on a Res-Net network. Studies in Health Technology and Informatics. 2019. vol. 264. pp. 55–59.
12. Hu Y., Zhao H., Li W., Li J. Semantic image segmentation of brain MRI with deep learning. Zhong nan da XueXueBao. Yi Xue ban Journal of Central South University. Medical sciences. 2021. vol. 46. no. 8. pp. 858–864.
13. Kang J., Ullah Z., Gwak J. MRI-based brain tumour classification using ensemble of deep features and machine learning classifiers. Sensors. 2021. vol. 21(6). no. 2222.
14. Huang Y., Moreno R., Malani R., Meng A., Swinburne N., Holodny A.I., Young R.J. Deep Learning Achieves Neuroradiologist-Level Performance in Detecting Hydrocephalus Requiring Treatment. Journal of Digital Imaging. 2022. vol. 35. no. 6. pp. 1662–1672.
15. Narmatha C., Eljack S.M., Tuka A.A.R.M., Manimurugan S., Mustafa M. A hybrid fuzzy brain-storm optimization algorithm for the classification of brain tumour MRI images. Journal of ambient intelligence and humanized computing. 2020. pp. 1–9.
16. Prokhorenkova L., Gusev G., Vorobev A., Dorogush A.V, Gulin A. CatBoost: Unbiased Boosting with Categorical Features. Advances in Neural Information Processing Systems. 2018. vol. 31. pp. 6638–6648.
17. Nguyen N.Q., Lee S.W. Robust Boundary Segmentation in Medical Images Using a Consecutive Deep Encoder-Decoder Network. IEEE Access. 2019. vol. 7. pp. 33795–33808. DOI: 10.1109/ACCESS.2019.2904094.
18. Liu B., He S., He D., Zhang Y., Guizani M. A Spark-based Parallel Fuzzy $c$-Means Segmentation Algorithm for Agricultural Image Big Data. IEEE Access. 2019. vol. 7. pp. 42169–42180. DOI: 10.1109/ACCESS.2019.2907573.
19. Almotiri J., Elleithy K., Elleithy A. A Multi-Anatomical Retinal Structure Segmentation System for Automatic Eye Screening Using Morphological Adaptive Fuzzy Thresholding. IEEE Journal of Translational Engineering in Health and Medicine. 2018. vol. 6. pp. 1–23. DOI: 10.1109/JTEHM.2018.2835315.
20. Liu M., Jiang J., Wang Z. Colonic Polyp Detection in Endoscopic Videos with Single Shot Detection Based Deep Convolutional Neural Network. IEEE Access. 2019. vol. 7. pp. 75058–75066. DOI: 10.1109/ACCESS.2019.2921027.
21. Raweh A.A., Nassef M., Badr A. A Hybridized Feature Selection and Extraction Approach for Enhancing Cancer Prediction Based on DNA Methylation. IEEE Access. 2018. vol. 6. pp. 15212–15223. DOI: 10.1109/ACCESS.2018.2812734.
22. Gonzalez R., Tou J. Pattern recognition principles. Applied Mathematics and Computation. Reading, MA: Addison-Wesley. 1974. 377 p.
23. Lingras P., West C. Interval set clustering of web users with rough k-means. Journal of Intelligent Information Systems. 2004. vol. 23. no. 1. pp. 5–16. DOI: 10.1023/B:JIIS.0000029668.88665.1a.
24. Chuang K.S., Tzeng H.L., Chen S., Wu J., Chen T.J. Fuzzy c-means clustering with spatial information for image segmentation. Comput. Med. Imag. Graph., Jan. 2006. vol. 30. no. 1. pp. 9–15. DOI: 10.1016/j.compmedimag.2005.10.001.
25. Lingras P., Peters G. Applying rough set concepts to clustering. In Rough Sets: Selected Methods and Applications in Management and Engineering. London: Springer. 2012. pp. 23–37.
26. Ji Z., Sun Q., Xia Y., Chen Q., Xia D., Feng D. Generalized rough fuzzy c-means algorithm for brain MR image segmentation. Computer methods and programs in biomedicine. 2012. vol. 108. no. 2. pp. 644–655.
27. Namburu A., Srinivas Kumar S., Srinivasa Reddy E. Review of Set-Theoretic Approaches to Magnetic Resonance Brain Image Segmentation. IETE Journal of Research. 2022. vol. 68. no. 1. pp. 350–367. DOI: 10.1080/03772063.2019.1604176.
28. Dubey Y.K., Mushrif M.M., Mitra K. Segmentation of brain MR images using rough set based intuitionistic fuzzy clustering. Biocybern. Biomedical engineering. 2016. vol. 36. no. 2. pp. 413–426. DOI: 10.1016/j.bbe.2016.01.001.
29. Liu J., Peng Y., Zhang Y.A Fuzzy Reasoning Model for Cervical Intraepithelial Neoplasia Classification Using Temporal Grayscale Change and Textures of Cervical Images during Acetic Acid Tests. IEEE Access. 2019. vol. 7. pp. 13536–13545. DOI: 10.1109/ACCESS.2019.2893357.
30. Brunese L., Mercaldo F., Reginelli A., Santone A. Prostate Gleason Score Detection and Cancer Treatment through Real-Time Formal Verification. IEEE Access. 2019. vol. 7. pp. 186236–186246. DOI: 10.1109/ACCESS.2019.2961754.
31. Yin S., Zhang Y., Karim S. Large Scale Remote Sensing Image Segmentation Based on Fuzzy Region Competition and Gaussian Mixture Model. IEEE Access. 2018. vol. 6. pp. 26069–26080. DOI: 10.1109/ACCESS.2018.2834960.
Опубликован
2024-03-28
Как цитировать
Балони, Д., Рай, Д. С., Сивагаминатан, П., Анандарам, Х., Таплиял, М., & Джоши, К. (2024). H-Detect: алгоритм раннего выявления гидроцефалии. Информатика и автоматизация, 23(2), 495-520. https://doi.org/10.15622/ia.23.2.7
Раздел
Искусственный интеллект, инженерия данных и знаний
Copyright (c) Dev Baloni
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
Авторы, которые публикуются в данном журнале, соглашаются со следующими условиями: Авторы сохраняют за собой авторские права на работу и передают журналу право первой публикации вместе с работой, одновременно лицензируя ее на условиях Creative Commons Attribution License, которая позволяет другим распространять данную работу с обязательным указанием авторства данной работы и ссылкой на оригинальную публикацию в этом журнале. Авторы сохраняют право заключать отдельные, дополнительные контрактные соглашения на неэксклюзивное распространение версии работы, опубликованной этим журналом (например, разместить ее в университетском хранилище или опубликовать ее в книге), со ссылкой на оригинальную публикацию в этом журнале. Авторам разрешается размещать их работу в сети Интернет (например, в университетском хранилище или на их персональном веб-сайте) до и во время процесса рассмотрения ее данным журналом, так как это может привести к продуктивному обсуждению, а также к большему количеству ссылок на данную опубликованную работу (Смотри The Effect of Open Access).