Centrum Onkologiczne przeprowadzi\u0142o analiz\u0119 obraz\u00f3w MRI guza m\u00f3zgu w celu por\u00f3wnania klasyfikacji radiologicznej i patologicznej. Po pierwsze, zbadali\u015bmy i opracowali\u015bmy mechanizm segmentacji obraz\u00f3w MRI (wyb\u00f3r obszar\u00f3w zainteresowania \u2013 ROI). Nast\u0119pnie przeprowadzili\u015bmy badania i stworzyli\u015bmy klasyfikator oparty na posegmentowanych obrazach radiologicznych. Ostatecznie po\u0142\u0105czyli\u015bmy klasyfikacj\u0119 opart\u0105 na wynikach bada\u0144 patologicznych z klasyfikatorem opartym na obrazach radiologicznych. Kolejnym etapem badania by\u0142o ustalenie korelacji mi\u0119dzy analiz\u0105 obraz\u00f3w MRI a klasyfikacj\u0105 opart\u0105 na wynikach bada\u0144 patologicznych. Na koniec w ramach badania dokonali\u015bmy oceny istniej\u0105cych podej\u015b\u0107 naukowych i por\u00f3wnali\u015bmy je z podej\u015bciem zaproponowanym w niniejszym artykule. <\/p>\n
Celem tego projektu by\u0142o opracowanie metod segmentacji i klasyfikacji na podstawie obraz\u00f3w MRI m\u00f3zgu. Obrazy radiologiczne tego samego pacjenta r\u00f3\u017cni\u0142y si\u0119 pod wzgl\u0119dem kszta\u0142tu, \u015bredniego poziomu intensywno\u015bci oraz pozycji g\u0142owy. Zar\u00f3wno metoda Otsu, jak i metoda adaptacyjna oparta na szczytach histogramu pozwoli\u0142y na wyodr\u0119bnienie maski binarnej g\u0142owy. Wyzwaniem okaza\u0142 si\u0119 jednak wyb\u00f3r odpowiedniego klastra odpowiadaj\u0105cego obszarowi guza. Nie uda\u0142o nam si\u0119 tego osi\u0105gn\u0105\u0107 przy u\u017cyciu tylko jednego (podstawowego) algorytmu segmentacji. Analiza symetrii p\u00f3\u0142kul okaza\u0142a si\u0119 wszechstronnym narz\u0119dziem do klasyfikacji klastr\u00f3w (na podstawie tego, czy jest to guz, czy nie). W obszarach nieobj\u0119tych guzem r\u00f3\u017cnice w symetrii by\u0142y subtelne. <\/p>\n
Z obraz\u00f3w T1, T1C, FLAIR i T2 wyodr\u0119bniono cechy dotycz\u0105ce intensywno\u015bci, kszta\u0142tu, po\u0142o\u017cenia oraz tekstury. Na podstawie analizy ewolucji i selekcji cech najbardziej istotne okaza\u0142y si\u0119 po\u0142o\u017cenie guza oraz rozk\u0142ad intensywno\u015bci na obrazie FLAIR. Zgodnie z literatur\u0105 oligodendroglioma cz\u0119sto wyst\u0119puje w p\u0142atach czo\u0142owych i skroniowych. W naszym zbiorze danych okaza\u0142o si\u0119 to prawd\u0105. Gdyby\u015bmy dysponowali jedynie po\u0142o\u017ceniem guza, klasyfikator oparty na walidacji krzy\u017cowej osi\u0105gn\u0105\u0142by dok\u0142adno\u015b\u0107 na poziomie 70% (odchylenie standardowe: 12). Rozk\u0142ad intensywno\u015bci na skanie FLAIR wykazywa\u0142 wysok\u0105 korelacj\u0119 i mia\u0142 najwi\u0119ksze znaczenie. Na obrazach T2 zmiany zawsze charakteryzowa\u0142y si\u0119 wysok\u0105 intensywno\u015bci\u0105. Natomiast na obrazach FLAIR zmiany by\u0142y albo cz\u0119\u015bciowo jasne, albo ciemne. Klasyfikacja oparta na wzorcach teksturalnych wymaga wi\u0119kszej liczby pr\u00f3bek, aby by\u0142a skuteczna. Klasyfikator typu \u201eRandom Forest\u201d, zweryfikowany za pomoc\u0105 k-krotnej walidacji krzy\u017cowej, osi\u0105gn\u0105\u0142 \u015bredni\u0105 dok\u0142adno\u015b\u0107 na poziomie 87,0% (odchylenie standardowe: 12,991). <\/p>\n
Wi\u0119cej informacji mo\u017cna znale\u017a\u0107 r\u00f3wnie\u017c w sekcji po\u015bwi\u0119conej internetowej przegl\u0105darce obraz\u00f3w DICOM (internetowe narz\u0119dzie radiologiczne): Radiology Platform<\/a> oraz w naszej prezentacji<\/a>.<\/p>\n","protected":false},"excerpt":{"rendered":" Analiza wynik\u00f3w badania MRI \u2013 studium przypadku Centrum Onkologiczne przeprowadzi\u0142o analiz\u0119 obraz\u00f3w MRI guza m\u00f3zgu w celu por\u00f3wnania klasyfikacji radiologicznej i patologicznej. Po pierwsze, zbadali\u015bmy i opracowali\u015bmy mechanizm segmentacji obraz\u00f3w MRI (wyb\u00f3r obszar\u00f3w zainteresowania \u2013 ROI). Nast\u0119pnie przeprowadzili\u015bmy badania i stworzyli\u015bmy klasyfikator oparty na posegmentowanych obrazach radiologicznych. Ostatecznie po\u0142\u0105czyli\u015bmy klasyfikacj\u0119 opart\u0105 na wynikach bada\u0144 patologicznych […]<\/p>\n","protected":false},"author":6,"featured_media":4548,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_et_pb_use_builder":"","_et_pb_old_content":"","_et_gb_content_width":"","content-type":"","footnotes":""},"categories":[28],"tags":[],"class_list":["post-5728","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-aktualnosci"],"_links":{"self":[{"href":"https:\/\/cancercenter.ai\/pl\/wp-json\/wp\/v2\/posts\/5728","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/cancercenter.ai\/pl\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/cancercenter.ai\/pl\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/cancercenter.ai\/pl\/wp-json\/wp\/v2\/users\/6"}],"replies":[{"embeddable":true,"href":"https:\/\/cancercenter.ai\/pl\/wp-json\/wp\/v2\/comments?post=5728"}],"version-history":[{"count":1,"href":"https:\/\/cancercenter.ai\/pl\/wp-json\/wp\/v2\/posts\/5728\/revisions"}],"predecessor-version":[{"id":5730,"href":"https:\/\/cancercenter.ai\/pl\/wp-json\/wp\/v2\/posts\/5728\/revisions\/5730"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/cancercenter.ai\/pl\/wp-json\/wp\/v2\/media\/4548"}],"wp:attachment":[{"href":"https:\/\/cancercenter.ai\/pl\/wp-json\/wp\/v2\/media?parent=5728"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/cancercenter.ai\/pl\/wp-json\/wp\/v2\/categories?post=5728"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/cancercenter.ai\/pl\/wp-json\/wp\/v2\/tags?post=5728"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}