Інтелектуальна система діагностики вестибулярної шванноми
DOI:
https://doi.org/10.18372/1990-5548.85.20426Ключові слова:
вестибулярна шваннома, діагностування росту шваноми, МРТ-зображення, текстурний аналіз, задача класифікаціїАнотація
Наукову роботу присвячено розробці інтелектуальної системи діагностики вестибулярної шванноми. Запропоновано новий підхід до аналізу текстури МРТ-зображень шванном як метод оцінки зростання набряку. Використання цього підходу допоможе уникнути ризиків прогресування новоутворення та негайно усунути необхідність хірургічного втручання. В межах дослідження було об’єднано низку класів дескрипторів текстури, включаючи: статистику першого порядку (гістограми інтенсивності), матрицю консистенції сірого кольору (GLCM), матрицю послідовності Довжина Грей Рівне (GLRLLM), матрицю розмірів зон (GLSZM), матрицю відкладень Грей Рівне (GLDM), а також ознаки, перетворені за допомогою Хвілле. Комплексний аналіз цих дескрипторів дозволив формалізувати внутрішню мікроструктуру пуху та реалізувати ефективну модель для прогнозування його зростання.
Посилання
S. M. Heman-Ackah, R. Blue, S. P. Gubbels, A. D. Sweeney, and M. L. Carlson, “Machine learning-based prediction of facial nerve outcomes following vestibular schwannoma microsurgery,” Scientific Reports, vol. 14, Article number: 6541, 2024. https://doi.org/10.1038/s41598-024-63161-1
C. C. Lee, W. H. Lee, C. H. Wu, et al., “Applying artificial intelligence to longitudinal imaging analysis of vestibular schwannoma following radiosurgery,” Scientific Reports, vol. 11, Article number: 3300, 2021. https://doi.org/10.1038/s41598-021-82665-8
Y. Chen, J. M. Wolterink, O. Neve, et al., “DeepGrowth: Vestibular schwannoma growth prediction from longitudinal MRI by time conditi oned neural fields,” arXiv preprint. 2024. arXiv:2404.02614. URL: https://arxiv.org/abs/2404.02614
N. A. George-Jones, K. Wang, J. Wang, and J. B. Hunter, “Prediction of vestibular schwannoma enlargement after radiosurgery using tumor shape and MRI texture features,” ResearchGate, 2021. URL: https://www.researchgate.net/publication/347850268
N. A. George-Jones, K. Wang, J. Wang, and J. B. Hunter, “Prediction of vestibular schwannoma enlargement after radiosurgery using tumor shape and MRI texture features,” // Otology & Neurotology, vol. 42, no. 3, pp. E348–E354, 2021. https://doi.org/10.1097/MAO.0000000000002938
Hasan Salman, & Ali Kalakech, & Amani Steiti, “Random Forest Algorithm Overview,” Babylonian Journal of Machine Learning, pp. 69–79, 2024. https://doi.org/10.58496/BJML/2024/007
Asif Newaz and Md. Salman Mohosheu and MD. Abdullah al Noman and Taskeed Jabid, iBRF: Improved Balanced Random Forest Classifier, 2024. https://doi.org/10.48550/arXiv.2403.09867
Chris Seiffert & Taghi Khoshgoftaar, & Jason Van Hulse, & Amri Napolitano, “RUSBoost: A Hybrid Approach to Alleviating Class Imbalance,” IEEE Transactions on Systems Man and Cybernetics – Part A Systems and Humans, 40(1):185–197. https://doi.org/10.1109/TSMCA.2009.2029559
Tianqi Chen, & Carlos Guestrin, XGBoost: A Scalable Tree Boosting System, KDD '16: Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, Association for Computing Machinery, New York NY, United States, 2016, 785–794. https://doi.org/10.1145/2939672.2939785.
Guolin Ke, & Qi Meng, & Thomas Finley, & Taifeng Wang, & Wei Chen, & Weidong Ma, & Qiwei Ye, & Tie-Yan Liu, “LightGBM: A Highly Efficient Gradient Boosting Decision Tree.”
Y. Itoyama, M. Matsuda, M. Suzuki, et al., “MRI radiomics-based prediction of vestibular schwannoma growth: a retrospective study,” European Archives of Oto-Rhino-Laryngology, 2022.
J. B. Patel, K. Vakharia, Y. Tao, et al., “Radiomics in head and neck cancer: basic principles and clinical applications,” Frontiers in Oncology, 2022, vol. 12:851620.
##submission.downloads##
Опубліковано
Номер
Розділ
Ліцензія
Authors who publish with this journal agree to the following terms:
Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under a Creative Commons Attribution License that allows others to share the work with an acknowledgement of the work's authorship and initial publication in this journal.
Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgement of its initial publication in this journal.
Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work (See The Effect of Open Access).
