南烏拉爾州立大學(xué)的科學(xué)家與外國(guó)同事合作，提出了一種基于深度信念網(wǎng)絡(luò)的MRI圖像分類模型，該模型將有助于更快，更準(zhǔn)確地檢測(cè)出惡性腦腫瘤。該研究報(bào)告發(fā)表在《大數(shù)據(jù)雜志》上，并在科學(xué)計(jì)量的Scopus數(shù)據(jù)庫(kù)中建立了索引。

深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)對(duì)腦腫瘤的診斷準(zhǔn)確性

膠質(zhì)母細(xì)胞瘤(GBM)是第4期惡性腦腫瘤，在任何給定時(shí)刻，其中大部分腫瘤細(xì)胞正在繁殖。此類腫瘤會(huì)危及生命，并可能導(dǎo)致部分或完全的精神和身體殘疾。

這項(xiàng)研究由來(lái)自印度大學(xué)和南烏拉爾州立大學(xué)的國(guó)際科學(xué)家小組進(jìn)行。電子工程與計(jì)算機(jī)科學(xué)學(xué)院計(jì)算機(jī)科學(xué)系高級(jí)研究員，博士后庫(kù)馬爾·薩欽(Kumar Sachin)博士，副教授米哈伊爾·齊布勒(Mikhail Tsymbler)研發(fā)了用于MRI圖像(磁共振成像)計(jì)算機(jī)分析的方法，以檢測(cè)膠質(zhì)母細(xì)胞瘤基于人工深信網(wǎng)絡(luò)的腫瘤。

人工神經(jīng)網(wǎng)絡(luò)(ANN)是一種功能強(qiáng)大的機(jī)器學(xué)習(xí)方法，可以高精度處理大量數(shù)據(jù)。深度學(xué)習(xí)方法還可以從大型數(shù)據(jù)集中自動(dòng)提取特征，盡管由于尚未開發(fā)出相應(yīng)的數(shù)學(xué)驗(yàn)證程序，因此無(wú)法保證提取特征的正確性。

“在這項(xiàng)研究中，我們提出了一種使用混合深信網(wǎng)絡(luò)(DBN)對(duì)膠質(zhì)母細(xì)胞瘤腫瘤進(jìn)行磁共振成像(MRI)進(jìn)行分類的分類模型。我們提出了三個(gè)階段的圖像分類框架。第一階段進(jìn)行數(shù)據(jù)預(yù)處理，包括使用離散小波變換的特征提取(允許您分析數(shù)據(jù)的頻率的功能)，矢量化和用于處理的其他特征的構(gòu)建;第二階段使用主成分分析處理圖像的降維，并提供降維特征向量，以實(shí)現(xiàn)平滑的圖像分類。第三階段包括一堆受限的Boltzmann機(jī)器，這些機(jī)器形成了具有隱藏層的深信網(wǎng)絡(luò)，” Kumar Sachin解釋說(shuō)。

深度信任網(wǎng)絡(luò)通常需要包含大量神經(jīng)元的大量隱藏層，才能從原始圖像數(shù)據(jù)中學(xué)習(xí)最佳功能。因此，計(jì)算和空間復(fù)雜度很高，并且需要大量的訓(xùn)練時(shí)間。所提出的方法將離散小波變換與深信度網(wǎng)絡(luò)相結(jié)合，以提高現(xiàn)有的深信度網(wǎng)絡(luò)模型的效率。使用幾個(gè)統(tǒng)計(jì)參數(shù)驗(yàn)證結(jié)果。統(tǒng)計(jì)驗(yàn)證證明，在訓(xùn)練時(shí)間，空間復(fù)雜度和分類準(zhǔn)確性方面，離散小波變換和深信度網(wǎng)絡(luò)的組合優(yōu)于其他分類器。