MRI画像を用いたマルチクラス脳疾患検出のための畳み込みニューラルネットワーク

/ /

日本語AIでPubMedを検索

PubMedの提供する医学論文データベースを日本語で検索できます。AI(Deep Learning)を活用した機械翻訳エンジンにより、精度高く日本語へ翻訳された論文をご参照いただけます。

Comput Med Imaging Graph.2019 12;78:101673. S0895-6111(19)30088-6. doi: 10.1016/j.compmedimag.2019.101673.Epub 2019-10-10.

MRI画像を用いたマルチクラス脳疾患検出のための畳み込みニューラルネットワーク

Convolutional neural networks for multi-class brain disease detection using MRI images.

Muhammed Talo
Ozal Yildirim
Ulas Baran Baloglu
Galip Aydin
U Rajendra Acharya

PMID: 31635910 DOI: 10.1016/j.compmedimag.2019.101673.

抄録

脳疾患は、思考、発話、運動などの重要な機能を失うことがあります。そのため、脳疾患を早期に発見することで、最適な治療をタイムリーに受けることができる可能性があります。これらの障害を診断するために使用される従来の方法の一つは、磁気共鳴画像法（ＭＲＩ）技術である。脳の異常の手動診断は、時間がかかり、特に異常の初期段階では、ＭＲＩ画像の微細な変化を知覚することが困難である。最高の性能を得るための特徴量と分類器の適切な選択は困難な課題である。そのため、ここ数年、医用画像解析には深層学習モデルが広く利用されている。本研究では，AlexNet，Vgg-16，ResNet-18，ResNet-34，ResNet-50の事前学習モデルを用いて，MR画像を正常，脳血管疾患，腫瘍性疾患，変性疾患，炎症性疾患に自動分類した．また，最新のアーキテクチャである事前学習モデルとの分類性能の比較を行った．5つの事前学習モデルの中で，ResNet-50モデルが95.23%±0.6という最高の分類精度を得た．我々のモデルは、脳の異常の巨大なMRI画像を用いてテストする準備ができています。このモデルの結果は、臨床医がMRI画像を手動で読み取った後の所見を検証するのにも役立つだろう。

The brain disorders may cause loss of some critical functions such as thinking, speech, and movement. So, the early detection of brain diseases may help to get the timely best treatment. One of the conventional methods used to diagnose these disorders is the magnetic resonance imaging (MRI) technique. Manual diagnosis of brain abnormalities is time-consuming and difficult to perceive the minute changes in the MRI images, especially in the early stages of abnormalities. Proper selection of the features and classifiers to obtain the highest performance is a challenging task. Hence, deep learning models have been widely used for medical image analysis over the past few years. In this study, we have employed the AlexNet, Vgg-16, ResNet-18, ResNet-34, and ResNet-50 pre-trained models to automatically classify MR images in to normal, cerebrovascular, neoplastic, degenerative, and inflammatory diseases classes. We have also compared their classification performance with pre-trained models, which are the state-of-art architectures. We have obtained the best classification accuracy of 95.23% ± 0.6 with the ResNet-50 model among the five pre-trained models. Our model is ready to be tested with huge MRI images of brain abnormalities. The outcome of the model will also help the clinicians to validate their findings after manual reading of the MRI images.