Dynamic architecture based deep learning approach for glioblastoma brain tumor survival prediction - 05/03/22

Doi : 10.1016/j.neuri.2022.100062 
Disha Sushant Wankhede , R. Selvarani
 Dept. of Computer Science and Engineering, Alliance College of Engineering, University Campus, Anekal, Bengaluru, Karnataka 562107, India 

Corresponding author.

Bienvenue sur EM-consulte, la référence des professionnels de santé.
Article gratuit.

Connectez-vous pour en bénéficier!

Abstract

A correct diagnosis of brain tumours is crucial to making an accurate treatment plan for patients with the disease and allowing them to live a long and healthy life. Among a few clinical imaging modalities, attractive reverberation imaging gives extra different data about the tissues. The use of MRI-Magnetic Resonance Imaging tests is a significant method for identifying disorders throughout the human body. Deep learning provides a solution for efficiently detecting Brain Tumour. The work has used MRI images for predicting the glioblastoma of brain tumours. Initially, data is retrieved from hospitals in form of an image database to continue with the brain tumour prediction. Pre-processing of dataset images is a mandatory step to enhance the accuracy and smooth line supplementary stages. The intensity value of each MRI (Magnetic Resonance Imaging) is subtracted by the mean intensity value and standard deviation of the brain region. Further, reduce the medical image noise by employing a bilateral filter. Further, the preprocessed medical images are used for extracting the radiomics features from images as well as tumour segmentation. Thus the work adopts the tumor is automatically segmented into four compartments using mutually exclusive rules using Modified Fuzzy C Means Clustering (MFCM). The clustering-based approach is very beneficial in MR tumour segmentation; it categorizes the pixels using certain radiomics features. The most important problem in the radiomics-based machine learning model is the dimension of data. Moreover, using a GWO (Grey Wolf Optimizer) with rough set theory, we propose a novel dimensionality reduction algorithm. This method is employed to find the significant features from the extracted images and differentiate HG (high-grade) and LG (Low-grade) from GBM while varying feature correlation limits were applied to remove redundant features. Finally, the article proposed the dynamic architecture of Multilevel Layer modelling in Faster R-CNN (MLL-CNN) approach based on feature weight factor and relative description model to build the selected features. This reduces the overall computation and performs long-tailed classification. This results in the development of CNN training performance more accurate. Results show that the general endurance expectation of GBM cerebrum growth with more prominent exactness of about 95% with the decreased blunder rate to be 2.3%. In the calculation of similarity between segmented tissues and ground truth, different tools produce correspondingly different predictions.

Le texte complet de cet article est disponible en PDF.

Keywords : Glioblastoma, Magnetic resonance imaging, Modified fuzzy C means, Rough set theory-based grey wolf optimization, Overall survival prediction


Plan


© 2022  The Author(s). Publié par Elsevier Masson SAS. Tous droits réservés.
Ajouter à ma bibliothèque Retirer de ma bibliothèque Imprimer
Export

    Export citations

  • Fichier

  • Contenu

Vol 2 - N° 4

Article 100062- décembre 2022 Retour au numéro
Article précédent Article précédent
  • MRI-based brain tumour image detection using CNN based deep learning method
  • Arkapravo Chattopadhyay, Mausumi Maitra
| Article suivant Article suivant
  • A systematic review on Data Mining Application in Parkinson's disease
  • Adesh Kumar Srivastava, Klinsega Jeberson, Wilson Jeberson

Bienvenue sur EM-consulte, la référence des professionnels de santé.

Mon compte


Plateformes Elsevier Masson

Déclaration CNIL

EM-CONSULTE.COM est déclaré à la CNIL, déclaration n° 1286925.

En application de la loi nº78-17 du 6 janvier 1978 relative à l'informatique, aux fichiers et aux libertés, vous disposez des droits d'opposition (art.26 de la loi), d'accès (art.34 à 38 de la loi), et de rectification (art.36 de la loi) des données vous concernant. Ainsi, vous pouvez exiger que soient rectifiées, complétées, clarifiées, mises à jour ou effacées les informations vous concernant qui sont inexactes, incomplètes, équivoques, périmées ou dont la collecte ou l'utilisation ou la conservation est interdite.
Les informations personnelles concernant les visiteurs de notre site, y compris leur identité, sont confidentielles.
Le responsable du site s'engage sur l'honneur à respecter les conditions légales de confidentialité applicables en France et à ne pas divulguer ces informations à des tiers.


Tout le contenu de ce site: Copyright © 2024 Elsevier, ses concédants de licence et ses contributeurs. Tout les droits sont réservés, y compris ceux relatifs à l'exploration de textes et de données, a la formation en IA et aux technologies similaires. Pour tout contenu en libre accès, les conditions de licence Creative Commons s'appliquent.