Brain tumors are the growth of abnormal cells or a mass in a brain. Numerous kinds of brain tumors were discovered, which need accurate and early detection techniques. Currently, most diagnosis and detection methods rely on the decision of neuro-specialists and radiologists to evaluate brain images, which may be time-consuming and cause human errors. This paper proposes a robust U-Net deep learning Convolutional Neural Network (CNN) model that can classify if the subject has a tumor or not based on Brain Magnetic resonance imaging (MRI) with acceptable accuracy for medical-grade application. The study built and trained the 3D U-Net CNN including encoding/decoding relationship architecture to perform the brain tumor segmentation because it requires fewer training images and provides more precise segmentation. The algorithm consists of three parts; the first part, the downsampling part, the bottleneck part, and the optimum part. The resultant semantic maps are inserted into the decoder fraction to obtain the full-resolution probability maps. The developed U-Net architecture has been applied on the MRI scan brain tumor segmentation dataset in MICCAI BraTS 2017. The results using Matlab-based toolbox indicate that the proposed architecture has been successfully evaluated and experienced for MRI datasets of brain tumor segmentation including 336 images as training data and 125 images for validation. This work demonstrated comparative performance and successful feasibility of implementing U-Net CNN architecture in an automated framework of brain tumor segmentations in Fluid-attenuated inversion recovery (FLAIR) MR Slices. The developed U-Net CNN model succeeded in performing the brain tumor segmentation task to classify the input brain images into a tumor or not based on the MRI dataset.
Опухоли головного мозга – это рост аномальных клеток или образования в головном мозге. Было выявлено множество видов опухолей мозга, которые нуждаются в точных и ранних методах обнаружения. В настоящее время большинство методов диагностики и обнаружения основаны на решении неврологов и рентгенологов оценивать изображения головного мозга, что может занимать много времени и приводить к человеческим ошибкам. В данной статье предлагается надежная модель сверточной нейронной сети (СНС) глубокого обучения U-Net, которая может классифицировать наличие или отсутствие опухоли на основе магнитно-резонансной томографии (МРТ) головного мозга с приемлемой точностью для применения в медицине. В ходе исследования была построена и обучена архитектура СНС 3D U-Net, включая отношения кодирования/декодирования, для выполнения сегментации опухоли головного мозга, поскольку для этого требуется меньше обучающих изображений и обеспечивается более точная сегментация. Алгоритм состоит из трех частей: первая часть, часть понижающей дискретизации, часть узкого места и оптимальная часть. Полученные семантические отображения вставляются во фракцию декодера для получения вероятностных диаграмм полного разрешения. Разработанная архитектура U-Net была применена к набору данных сегментации опухолей головного мозга при МРТ-сканировании в MICCAI BraTS 2017. Результаты с использованием набора инструментов на основе Matlab показывают, что предложенная архитектура была успешно оценена и испытана для наборов данных МРТ сегментации опухолей головного мозга, включая 336 изображений в качестве обучающих данных и 125 изображений для проверки. Данная работа продемонстрировала сравнительную производительность и успешную осуществимость реализации архитектуры СНС U-Net в автоматизированной системе сегментации опухолей головного мозга в МРТ-срезах с восстановлением инверсии с ослаблением жидкости (FLAIR). Разработанная модель СНС U-Net успешно выполнила задачу сегментации опухоли головного мозга для классификации входных изображений мозга как опухоль или нет на основе набора данных МРТ.
Пухлини головного мозку – це зростання аномальних клітин або утворення в головному мозку. Було виявлено безліч видів пухлин мозку, які потребують точних та ранніх методів виявлення. В даний час більшість методів діагностики та виявлення засновані на рішенні неврологів і рентгенологів оцінювати зображення головного мозку, що може займати багато часу і приводити до людських помилок. У даній статті пропонується надійна модель згорткової нейронної мережі (ЗНМ) глибокого навчання U-Net, яка може класифікувати наявність або відсутність пухлини на основі магнітно-резонансної томографії (МРТ) головного мозку з прийнятною точністю для застосування в медицині. В ході дослідження була побудована і навчена архітектура ЗНМ 3D U-Net, включаючи відносини кодування/декодування, для виконання сегментації пухлини головного мозку, оскільки для цього потрібно менше навчальних зображень і забезпечується більш точна сегментація. Алгоритм складається з трьох частин: перша частина, частина понижувальної дискретизації, частина вузького місця і оптимальна частина. Отримані семантичні відображення вставляються у фракцію декодера для отримання імовірнісних діаграм повної роздільної здатності. Розроблена архітектура U-Net була застосована до набору даних сегментації пухлин головного мозку при МРТ-скануванні в MICCAI BraTS 2017. Результати з використанням набору інструментів на основі Matlab показують, що запропонована архітектура була успішно оцінена і випробувана для наборів даних МРТ сегментації пухлин головного мозку, включаючи 336 зображень в якості навчальних даних і 125 зображень для перевірки. Дана робота продемонструвала порівняльну продуктивність і успішну здійсненність реалізації архітектури ЗНМ U-Net в автоматизованій системі сегментації пухлин головного мозку в МРТ-зрізах з відновленням інверсії з ослабленням рідини (FLAIR). Розроблена модель ЗНМ U-Net успішно виконала завдання сегментації пухлини головного мозку для класифікації вхідних зображень мозку як пухлина чи ні на основі набору даних МРТ.