南烏拉爾州立大學的科學家與外國同事合作，提出了一種基于深度信仰網(wǎng)絡(luò)的MRI圖像分類模型，該模型將有助于更快，更準確地檢測出惡性腦腫瘤。該研究報告發(fā)表在《大數(shù)據(jù)雜志》上，并在科學計量的Scopus數(shù)據(jù)庫中建立了索引。

深度學習神經(jīng)網(wǎng)絡(luò)對腦腫瘤的診斷準確性

膠質(zhì)母細胞瘤(GBM)是4期惡性腦腫瘤，其中很大一部分腫瘤細胞在任何給定時刻都在繁殖。此類腫瘤會危及生命，并可能導(dǎo)致部分或完全的精神和身體殘疾。

這項研究由來自印度大學和南烏拉爾州立大學的國際科學家小組進行。電子工程與計算機科學學院計算機科學系高級研究員，博士后庫馬爾·薩欽(Kumar Sachin)博士，副教授米哈伊爾·齊布勒(Mikhail Tsymbler)開發(fā)了用于MRI圖像計算機分析的方法(磁共振成像))以檢測膠質(zhì)母細胞瘤基于人工深信網(wǎng)絡(luò)的腫瘤。

人工神經(jīng)網(wǎng)絡(luò)(ANN)是一種功能強大的機器學習方法，可以高精度處理大量數(shù)據(jù)。深度學習方法還可以自動從大型數(shù)據(jù)集中提取特征，盡管由于尚未開發(fā)出相應(yīng)的數(shù)學驗證程序，因此不能保證所提取特征的正確性。

“在這項研究中，我們提出了一種使用混合深信網(wǎng)絡(luò)(DBN)對膠質(zhì)母細胞瘤腫瘤進行磁共振成像(MRI)進行分類的分類模型。我們提出了三個階段的圖像分類框架。第一階段進行數(shù)據(jù)預(yù)處理，包括使用離散小波變換的特征提取(一種允許您分析數(shù)據(jù)頻率的功能)，矢量化和構(gòu)造其他特征以進行處理的第二階段，使用主成分分析處理圖像的降維，并提供降維特征向量，以實現(xiàn)平滑的圖像分類。第三階段包括一堆受限的Boltzmann機器，這些機器形成了具有隱藏層的深信網(wǎng)絡(luò)，” Kumar Sachin解釋說。

深度信任網(wǎng)絡(luò)通常需要包含大量神經(jīng)元的大量隱藏層，才能從原始圖像數(shù)據(jù)中學習最佳功能。因此，計算和空間復(fù)雜度很高，并且需要大量的訓(xùn)練時間。所提出的方法將離散小波變換與深度信任網(wǎng)絡(luò)相結(jié)合，以提高現(xiàn)有深度信任網(wǎng)絡(luò)模型的效率。使用幾個統(tǒng)計參數(shù)驗證結(jié)果。統(tǒng)計驗證證明，在訓(xùn)練時間，空間復(fù)雜度和分類準確性方面，離散小波變換和深信度網(wǎng)絡(luò)的組合優(yōu)于其他分類器。

神經(jīng)網(wǎng)絡(luò)將幫助醫(yī)生

這項研究中提出的方法和方法可用于開發(fā)使用MRI圖像診斷和檢測癌性腫瘤和其他細胞病變的自動化系統(tǒng)。

“醫(yī)學配備了先進的設(shè)備和技術(shù)。MRI機器能夠捕獲大腦和身體其他部位的高對比度圖像。這些MRI掃描對于診斷和檢測腫瘤和其他缺陷細胞非常有用。為了閱讀和理解這些MRI掃描，需要知識和經(jīng)驗。有時，缺少訓(xùn)練有素的人員可能會延遲診斷過程。因此，為了使過程自動化，可以使用機器學習方法來開發(fā)分類模型，” Mikhail Tsymbler說。

當處理大量MRI圖像(包括具有遮擋的模板)時，可以向提高分類模型效率的方向擴展研究。阻塞通常表示大腦血管阻塞，需要特別注意以進行準確診斷。這項研究沒有考慮開發(fā)模型在血管閉塞性腫瘤中的應(yīng)用。因此，將深度學習方法應(yīng)用于此類數(shù)據(jù)是未來研究的有趣方向。