DOI: https://doi.org/10.20535/SRIT.2308-8893.2020.1.06

Діагностика медичних зображень пухлин головного мозку з використанням гібридних згорткових нейронечітких мереж

Yuriy P. Zaychenko, Kostiantyn A. Zdor, Galib Hamidov

Анотація


Розглянуто проблему класифікації пухлин головного мозку по МРТ- зображеннях. Для її вирішення розроблено гібридні нечіткі згорткові нейронні мережі, у яких згорткові мережі CNN VGG-16 і ResNetV2_50 використані для екстракції ознак зображень, а нечітка нейронна мережа ANFIS — як класифікатор пухлин. Розроблено алгоритми навчання гібридних мереж. Виконано експериментальні дослідження запропонованих гібридних мереж на стандартному датасеті МРТ-зображень головного мозку і порівняння результатів з відомими альтернативними структурами згорткових мереж.

Ключові слова


медична діагностика; класифікація пухлин головного мозку; нечітка нейромережа ANFIS; згорткові нейронні мережі; гібридна мережа

Повний текст:

PDF (Русский)

Посилання


Dong H. Automatic Brain Tumor Detection and Segmentation Using U-Net Based Fully Convolutional Networks / H. Dong, G. Yang, F. Liu et al. — 2017.

Arya P. A Survey on Brain Tumor Detection and Segmentation from Magnetic Resonance Image / P. Arya, A.K. Malviya. — 2019.

Zhang Y. One-class kernel subspace ensemble for medical image classification / Y. Zhang, B. Zhang, F. Coenen et al. // EURASIP Journal on Advances in Signal Processing. —2014. — Vol. 2014, N 17. — P. 1–13.

Sundar R. Brain Tumor Detection and Segmentation by Intensity Adjustment / R. Sundar. — 2017.

Singh A. Classifying Biological Images Using Pre-trained CNNs / A. Singh, H. Mansourifar, H. Bilgrami et al. — Available at: https://docs.google.com/document/d/1H7xVK7nwXcv11CYh7hl5F6pM0m218FQloAXQODP-Hsg/ edit?usp=sharing.

Bengio Y. Representation learning:A review and new perspectives / Y. Bengio, A. Courville, P. Vincent // IEEE Transactions on Pattern Analysis and Machine Intelligence. — 2013. — Vol. 35. — P. 1798–1828.

LeCun Y. Deep learning / Y. LeCun, Y. Bengio, G. Hinton // Nature. — 2015. — Vol. 521. — P. 436–444.

Krizhevsky A. Imagenet classification with deep convolutional neural networks / A. Krizhevsky, I. Sutskever, G.E. Hinton // Advances in Neural Information Processing Systems. — 2012. — 25. — P. 1097–1105.

Zaychenko Yu. Medical images of breast tumors diagnostics with application of hybrid CNN–FNN network / Yu. Zaychenko, G. Hamidov, I. Varga // Systemni doslidzhennja ta informatsijni tekhnolohiyi. — 2018. — № 4. — S.37–47.

Zgurovsky M. The Fundamentals of Computational Intelligence: System Approach / M. Zgurovsky, Yu. Zaychenko // Springer International Publishing AG, Switzerland. — 2016. — 308 p.

Brain MRI Images for Brain Tumor Detection. — Available at: https://www.kaggle.com/navoneel/brain-mri-images-for-brain-tumor-detection.

Understanding loss functions: Hinge loss. — Available at: https://medium.com/ analytics-vidhya/understanding-loss-functions-hinge-loss-a0ff112b40a1

Decoupled weight decay regularization. — Available at: https://arxiv.org/pdf/1711.05101.pdf

A Closer Look at Deep Learning Heuristics: Learning rate restarts, Warmup and Distillation. — Available at: https://arxiv.org/abs/1810.13243

On the Difficulty of Warm-Starting Neural Network Training. — Available at: https://arxiv.org/pdf/1910.08475.pdf


Пристатейна бібліографія ГОСТ


1. Dong H. Automatic Brain Tumor Detection and Segmentation Using U-Net Based Fully Convolutional Networks / H. Dong, G. Yang, F. Liu et al. — 2017.

2. Arya P. A Survey on Brain Tumor Detection and Segmentation from Magnetic Resonance Image / P. Arya, A.K. Malviya. — 2019.

3. Zhang Y. One-class kernel subspace ensemble for medical image classification / Y. Zhang, B. Zhang, F. Coenen et al. // EURASIP Journal on Advances in Signal Processing. —2014. — Vol. 2014, N 17. — P. 1–13.

4. Sundar R. Brain Tumor Detection and Segmentation by Intensity Adjustment / R. Sundar. — 2017.

5. Singh A. Classifying Biological Images Using Pre-trained CNNs / A. Singh, H. Mansourifar, H. Bilgrami et al. — Available at: https://docs.google.com/document/d/1H7xVK7nwXcv11CYh7hl5F6pM0m218FQloAXQODP-Hsg/ edit?usp=sharing.

6. Bengio Y. Representation learning:A review and new perspectives / Y. Bengio, A. Courville, P. Vincent // IEEE Transactions on Pattern Analysis and Machine Intelligence. — 2013. — Vol. 35. — P. 1798–1828.

7. LeCun Y. Deep learning / Y. LeCun, Y. Bengio, G. Hinton // Nature. — 2015. — Vol. 521. — P. 436–444.

8. Krizhevsky A. Imagenet classification with deep convolutional neural networks / A. Krizhevsky, I. Sutskever, G.E. Hinton // Advances in Neural Information Processing Systems. — 2012. — 25. — P. 1097–1105.

9. Zaychenko Yu. Medical images of breast tumors diagnostics with application of hybrid CNN–FNN network / Yu. Zaychenko, G. Hamidov, I. Varga // Системні дослідження та інформаційні технології. — 2018. — № 4. — С.37–47.

10. Zgurovsky M. The Fundamentals of Computational Intelligence: System Approach / M. Zgurovsky, Yu. Zaychenko // Springer International Publishing AG, Switzerland. — 2016. — 308 p.

11. Brain MRI Images for Brain Tumor Detection. — Available at: https://www.kaggle.com/navoneel/brain-mri-images-for-brain-tumor-detection.

12. Understanding loss functions: Hinge loss. — Available at: https://medium.com/ analytics-vidhya/understanding-loss-functions-hinge-loss-a0ff112b40a1

13. Decoupled weight decay regularization. — Available at: https://arxiv.org/pdf/1711.05101.pdf

14. A Closer Look at Deep Learning Heuristics: Learning rate restarts, Warmup and Distillation. — Available at: https://arxiv.org/abs/1810.13243

15. On the Difficulty of Warm-Starting Neural Network Training. — Available at: https://arxiv.org/pdf/1910.08475.pdf