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 методу оцінки зростання пухлини. 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 співзустрічей рівнів сірого, матрицю довжин серій рівнів сірого, матрицю розмірів зон, матрицю залежностей рівнів сірого, а також ознаки, перетворені за допомогою вейвлет-перетворення. Комплексний аналіз цих дескрипторів дозволив формалізувати внутрішню мікроструктуру пухлини 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
Автори, які публікуються в цьому журналі, погоджуються з наступними умовами:
Автори зберігають авторські права та надають журналу право першої публікації роботи, одночасно ліцензованої за ліцензією Creative Commons Attribution License, яка дозволяє іншим поширювати роботу з посиланням на авторство роботи та її першу публікацію в цьому журналі.
Автори можуть укладати окремі додаткові договірні угоди щодо неексклюзивного розповсюдження опублікованої в журналі версії роботи (наприклад, розміщувати її в інституційному репозиторії або публікувати в книзі) з посиланням на її першу публікацію в цьому журналі.
Авторам дозволяється та заохочується розміщувати свої роботи онлайн (наприклад, в інституційних репозиторіях або на своєму вебсайті) до та під час процесу подання, оскільки це може призвести до продуктивного обміну, а також до більш раннього та більшого цитування опублікованих робіт (див. Вплив відкритого доступу).
