Визначення та інтелектуальне вилучення текстурних ознак вестибулярної шванноми на основі використання МРТ зображень

Автор(и)

  • Віктор Михайлович Синєглазов Державний університет «Київський авіаційний інститут» https://orcid.org/0000-0002-3297-9060
  • Максим Валерійович Шевченко Державний університет «Київський авіаційний інститут»

DOI:

https://doi.org/10.18372/1990-5548.86.20626

Ключові слова:

вестибулярна шваннома, магнітно-резонансна томографія, radiomics, матриця співзустрічальності рівнів сірого, матриця зон рівнів сірого, вейвлет, Random Forest, PyRadiomics

Анотація

Роботу присвячено розробці метода інтелектуального вилучення текстурних ознак вестибулярних шванном на основі МРТ-зображень для прогнозування росту пухлини. Проаналізовано датасет VS-MC-RC2 (421 timepoint, 189 пацієнтів, 1990-1999). ML датасет: 211 зразків (74 зростаючі, 137 стабільні, дисбаланс 1.85:1). Використано матрицю співзустрічальності рівнів сірого, матрицю зон рівнів сірого, Shape Features, Wavelet Transform, бібліотеку PyRadiomics v3.0.1 для вилучення ознак з T1C-зображень (пріоритет) та T1 (резерв) з параметрами: bins = 32, δ = 1 voxel, 13 3D напрямків. Model v2 (107 оригінальних ознак): AUC 0.618. Model v3 (851 ознак + 8 вейвлет-декомпозицій): AUC 0.712 (+15.2%). Валідація: 10-fold CV, навчальна/тестова 80/20. Топ-15 ознак: 73% wavelet features (LHH, LLH, HLH). Найкраща: original_glszm_ZoneEntropy (F = 12.67, threshold = 4.51), що корелює з співвідношенням Antoni A/B тканин і проліферативною активністю пухлини.

Біографії авторів

Віктор Михайлович Синєглазов, Державний університет «Київський авіаційний інститут»

Доктор технічних наук

Професор

Завідувач кафедри авіаційних комп’ютерно-інтегрованих комплексів

Факультет аеронавігації, електроніки і телекомунікацій

Максим Валерійович Шевченко , Державний університет «Київський авіаційний інститут»

Аспірант

Кафедра авіаційних комп’ютерно-інтегрованих комплексів

Факультет аеронавігації, електроніки і телекомунікацій

Посилання

G. Cioffi, D. N. Yeboa, M. Kelly, N. Patil, N. Manzoor, K. Greppin, K. Takaoka, K. Waite, C. Kruchko, and J. S. Barnholtz-Sloan, “Epidemiology of vestibular schwannoma in the United States, 2004-2016,” Neuro-Oncology Advances, 2020, (1):vdaa135. https://doi.org/10.1093/noajnl/vdaa135

J. P. Marinelli, C. J. Beeler, M. L. Carlson, P. Caye-Thomasen, S. A. Spear, andI. D. Erbele, “Global Incidence of Sporadic Vestibular Schwannoma: A Systematic Review,” Otolaryngology–Head and Neck Surgery. 2022, 167(2), 209–214. https://doi.org/10.1177/01945998211042006

M. L. Carlson and M. J. Link, “Vestibular Schwannomas,” New England Journal of Medicine, 2021, 384(14), 1335–1348. https://doi.org/10.1056/NEJMra2020394

K. A. Lees, N. M. Tombers, M. J. Link, C. L. W. Driscoll, B. A. Neff, J. J. Van Gompel, and M. L. Carlson, “Natural History of Sporadic Vestibular Schwannoma: A Volumetric Study of Tumor Growth,” Otolaryngology–Head and Neck Surgery, 2018, 159(3), pp. 535–542. https://doi.org/10.1177/0194599818770629

S. K. Warfield, K. H. Zou, and W. M. Wells, “Simultaneous truth and performance level estimation (STAPLE): an algorithm for the validation of image segmentation,” IEEE Transactions on Medical Imaging. 2004, 23(7), pp. 903–921. https://doi.org/10.1109/TMI.2004.828354

R. J. Gillies, P. E. Kinahan, and H. Hricak. “Radiomics: Images Are More than Pictures, They Are Data,” Radiology. 2016, 278(2), pp. 563–577. https://doi.org/10.1148/radiol.2015151169

B. Varghese, L. Cai, C. Benz, D. Hwang, S. Cen, X. Lei, B. Desai, V. Duddalwar, and J. Gao, “MRI texture analysis for differentiating solitary fibrous tumor from angiomatous meningioma,” Frontiers in Radiology, 2023, 3, 1240544. https://doi.org/10.3389/fradi.2023.1240544

P. P. J. H. Langenhuizen, S. Zinger, S. Leenstra, H. P. M. Kunst, J. J. S. Mulder, P. E. J. Hanssens, P. H. N. de With, and J. B. Verheul, “Radiomics-Based Prediction of Long-term Treatment Response of Vestibular Schwannomas Following Stereotactic Radiosurgery,” Otology & Neurotology, 2020, 41(10), e1321–e1327. https://doi.org/10.1097/MAO.0000000000002886

C. Yang, D. Alvarado, P. K. Ravindran, M. E. Keizer, K. Hovinga, M. P. G. Broen, H. P. M. Kunst, and Y. Temel, “Untreated Vestibular Schwannoma: Analysis of the Determinants of Growth,” Cancers. 2024, 16(21), 3718. https://doi.org/10.3390/cancers16213718

I. Bossi Zanetti, F. Pagni, E. De Bernardi, and R. Liserre, “Radiomic Features and Predictive Models for Tumor Aggressivity in Medical Imaging: A Systematic Review and Meta-Analysis,” Journal of Personalized Medicine, 2023, 13(5), 808. https://doi.org/10.3390/jpm13050808

D. Song, C. Li, Y. Fang, J. Huang, Y. Qu, N. Jiang, and Y. Wang, “Prediction of Tumor Blood Supply in Vestibular Schwannoma Using Radiomics Machine Learning Classifiers,” Scientific Reports, 2021, 11:18872. https://doi.org/10.1038/s41598-021-97865-5

T, Gill, D. W. Hamilton, and A. D. Rajgor, “The Application of Radiomics in Vestibular Schwannomas,” J Laryngol Otol., 139(8), pp. 647–654, 2025. https://doi.org/10.1017/S0022215125000258

N. V. Chawla, K. W. Bowyer, L. O. Hall, and W. P. Kegelmeyer, “SMOTE: Synthetic Minority Over-sampling Technique,” Journal of Artificial Intelligence Research, 2002, 16, pp. 321–357. https://doi.org/10.1613/jair.953

J. Bergstra and Y. Bengio, “Random Search for Hyper-Parameter Optimization,” Journal of Machine Learning Research, 2012, 13, pp. 281–305. https://doi.org/10.5555/2503308.2188395

T. G. Dietterich, “Ensemble Methods in Machine Learning,” Multiple Classifier Systems. Lecture Notes in Computer Science, 2000, 1857, pp. 1–15. https://doi.org/10.1007/3-540-45014-9_1

J. J. M. van Griethuysen, A. Fedorov, C. Parmar, A. Hosny, N. Aucoin, and V. Narayan, R. G. H. Beets-Tan, J. C. Fillion-Robin, S. Pieper, and H. J. W. L. Aerts, “Computational Radiomics System to Decode the Radiographic Phenotype,” Cancer Research, 2017, 77(21), e104–e107. https://doi.org/10.1158/0008-5472.CAN-17-0339

F. Pedregosa, G. Varoquaux, A. Gramfort, V. Michel, B. Thirion, O. Grisel, M. Blondel, P. Prettenhofer, R. Weiss, V. Dubourg, J. Vanderplas, A. Passos, D. Cournapeau, M. Brucher, M. Perrot, and E. Duchesnay, “Scikit-learn: Machine Learning in Python,” Journal of Machine Learning Research, 12, pp. 2825–2830, 2011. https://doi.org/10.5555/1953048.2078195.

J. C. Reinhold, B. E. Dewey, A. Carass, and J. L. Prince, “Evaluating the Impact of Intensity Normalization on MR Image Synthesis,” Medical Imaging 2019: Image Processing. SPIE. 2019, 10949:109493H. https://doi.org/10.1117/12.2513089

J. Shapey, A. Kujawa, R. Dorent, G. Wang, S. Bisdas, A. Dimitriadis, D. Grishchuk, I. Paddick, N. Kitchen, R. Bradford, S. R. Saeed, S. Ourselin, and T. Vercauteren, “Segmentation of vestibular schwannoma from MRI, an open annotated dataset and baseline algorithm,” Scientific Data, 2021, 8:286. https://doi.org/10.1038/s41597-021-01064-w

N. A. George-Jones, R. Chkheidze, S. Moore, J. Wang, J. B. Hunter, “MRI Texture Features are Associated with Vestibular Schwannoma Histology,” Laryngoscope, 2021, 131(6), E2000–E2006. https://doi.org/10.1002/lary.29309

##submission.downloads##

Опубліковано

2025-12-19

Номер

Том 4 № 86 (2025)

Розділ

АВТОМАТИЗАЦІЯ ТА КОМП’ЮТЕРНО-ІНТЕГРОВАНІ ТЕХНОЛОГІЇ

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).