An automated framework to segment and classify gliomas using hybrid shuffled complex evolution with convolutional

• Autorzy: Valarmathy G. , Umapathi N. , Suganthi Su , Jegadeesan R.

Identyfikatory

DOI

10.15199/48.2024.07.32

Warianty tytułu

PL

Zautomatyzowany system segmentacji i klasyfikacji glejaków przy użyciu hybrydowej, tasowanej ewolucji złożonej z konwolucyjną siecią neuronową

• Języki publikacji: EN

Abstrakty

EN

The infiltrative nature and rapid progression of gliomas have made them the most prevalent as well as aggressive type of brain tumour. In the clinical routine, it is a difficult task to distinguish tumour boundaries from the healthy cells. For brain tumour diagnoses as well as evaluations of the intra operative treatment response, there is extensive utilisation of the Magnetic Resonance Imaging (MRI). With segmentation, infected regions of the brain tissue can be extracted from MRIs. The tumour region’s segmentation is a critical task for cancer diagnosis, treatment as well as treatment outcome assessment. The significant architecture named the Convolutional Neural Network (CNN) in deep learning is used. The CNN has shown outstanding improvement in the objects’ recognition as well as classification. It has much efficiency in a wide range of problems which deal with machine learning as well as computer vision. Akin to other techniques of deep learning, much difficulty is involved in training the CNN. In this work, proposed a novel meta-heuristic based algorithms have been used for optimizing CNN using Ant Colony Optimization (ACO), hybrid Shuffled Complex Evolution (SCE) with ACO and hybrid SCE with Particle Swarm Optimization (PSO) algorithm. The results show that the proposed method produces better results than existing methods.

PL

Naciekowy charakter i szybki postęp glejaków uczyniły je najczęstszym i najbardziej agresywnym rodzajem nowotworu mózgu. W praktyce klinicznej odróżnienie granic guza od zdrowych komórek jest trudnym zadaniem. W diagnostyce guza mózgu, a także ocenie śródoperacyjnej odpowiedzi na leczenie szeroko wykorzystuje się obrazowanie metodą rezonansu magnetycznego (MRI). Dzięki segmentacji zakażone obszary tkanki mózgowej można wyodrębnić z rezonansu magnetycznego. Segmentacja regionu nowotworowego jest kluczowym zadaniem w diagnostyce nowotworu, jego leczeniu, a także ocenie wyników leczenia. W głębokim uczeniu się wykorzystywana jest znacząca architektura zwana konwolucyjną siecią neuronową (CNN). CNN wykazało wyjątkową poprawę w zakresie rozpoznawania i klasyfikacji obiektów. Ma dużą skuteczność w szerokim zakresie problemów związanych z uczeniem maszynowym i wizją komputerową. Podobnie jak w przypadku innych technik głębokiego uczenia się, szkolenie CNN wiąże się z wieloma trudnościami. W tej pracy zaproponowane nowatorskie algorytmy oparte na metaheurystyce zostały wykorzystane do optymalizacji CNN przy użyciu algorytmu Ant Colony Optimization (ACO), hybrydowej Shuffled Complex Evolution (SCE) z ACO i hybrydowego SCE z algorytmem Particle Swarm Optimization (PSO). Wyniki pokazują, że proponowana metoda daje lepsze wyniki niż metody istniejące.

Słowa kluczowe

EN

glioma detection; magnetic resonance imaging; MRI; gabor filter; ant colony optimization; ACO; shuffled complex evolution; SCE; particle swarm optimization; convolutional neural network

PL

wykrywanie glejaka; segmentacja glejaka; obrazowanie rezonansu magnetycznego; MRI; filtr Gabora; optymalizacja kolonii mrówek; ACO; ewolucja kompleksu losowego; SCE; optymalizacja roju cząstek; konwolucyjna sieć neuronowa

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2024
• Tom: R. 100, nr 7
• Strony: 158--165
• Opis fizyczny: Bibliogr. 23 poz., rys., tab.

Twórcy

autor

Valarmathy G.

• Sri Sairam Engineering College

• https://orcid.org/0000-0001-9624-5317

autor

Umapathi N.

• Jyothishmathi Institute of Technology and Science

• https://orcid.org/0000-0002-3639-6794

autor

Suganthi Su

• Sri Sai Ram Institute of Technology

• https://orcid.org/0000-0002-7585-8883

autor

Jegadeesan R.

• Jyothishmathi Institute of Technology and Science

• https://orcid.org/0000-0001-8885-7241

Bibliografia

• [1]. Zeineldin, R. A., Karar, M. E., Coburger, J., Wirtz, C. R., & Burgert, O. (2020). DeepSeg: deep neural network framework for automatic brain tumor segmentation using magnetic resonance FLAIR images. International journal of computer assisted radiology and surgery, 15(6), 909-920.
• [2]. Zhuge, Y., Ning, H., Mathen, P., Cheng, J. Y., Krauze, A. V., Camphausen, K., & Miller, R. W. (2020). Automated glioma grading on conventional MRI images using deep convolutional neural networks. Medical physics, 47(7), 3044-3053.
• [3]. Zaihani, N. H. I. M., Roslan, R., Ibrahim, Z., & Samah, K. A. F. A. (2020). Automated segmentation and detection of T1 weighted magnetic resonance imaging brain images of glioma brain tumor. Bulletin of Electrical Engineering and Informatics, 9(3), 1032-1037.
• [4]. Dong, H., Yang, G., Liu, F., Mo, Y., & Guo, Y. (2017, July). Automatic brain tumor detection and segmentation using u-net based fully convolutional networks. In annual conference on medical image understanding and analysis (pp. 506-517). Springer, Cham.
• [5]. Nadeem, M. W., Ghamdi, M. A. A., Hussain, M., Khan, M. A., Khan, K. M., Almotiri, S. H., & Butt, S. A. (2020). Brain tumor analysis empowered with deep learning: A review, taxonomy, and future challenges. Brain sciences, 10(2), 118.
• [6]. Ayumi, V., Rere, L. R., Fanany, M. I., & Arymurthy, A. M. (2016, October). Optimization of convolutional neural network using microcanonical annealing algorithm. In 2016 International Conference on Advanced Computer Science and Information Systems (ICACSIS) (pp. 506-511). IEEE.
• [7]. Mzoughi, H., Njeh, I., Wali, A., Slima, M. B., Ben Hamida, A., Mhiri, C., & Mahfoudhe, K. B. (2020). Deep multi-scale 3D convolutional neural network (CNN) for MRI gliomas brain tumor classification. Journal of Digital Imaging, 33, 903-915.
• [8]. Narmatha, C., Eljack, S. M., Tuka, A. A. R. M., Mani murugan, S., & Mustafa, M. (2020). A hybrid fuzzy brain-storm optimization algorithm for the classification of brain tumor MRI images. Journal of Ambient Intelligence and Humanized Computing, 1-9.
• [9]. Hedyehzadeh, M., Maghooli, K., & Momen Gharibvand, M. (2021). Glioma grade detection using grasshopper optimization algorithm-optimized machine learning methods: The Cancer Imaging Archive study. International Journal of Imaging Systems and Technology.
• [10]. Saravanan, S., & Thirumurugan, P. (2020). Performance Analysis of Glioma Brain Tumor Segmentation Using Ridgelet Transform and Co-Active Adaptive Neuro Fuzzy Expert System Methodology. Journal of Medical Imaging and Health Informatics, 10(11), 2642-2648.
• [11]. Kumar, S., Vig, G., Varshney, S., & Bansal, P. (2020). Brain Tumor Detection Based on Multilevel 2D Histogram Image Segmentation Using DEWO Optimization Algorithm. International Journal of E-Health and Medical Communications (IJEHMC), 11(3), 71-85.
• [12]. Devanathan, B., & Venkatachalapathy, K. (2020, November). An Optimal Multilevel Thresholding based Segmentation and Classification Model for Brain Tumor Diagnosis. In 2020 4th International Conference on Electronics, Communication and Aerospace Technology (ICECA) (pp. 1133-1138). IEEE.
• [13]. Anaraki, A. K., Ayati, M., & Kazemi, F. (2019). Magnetic resonance imaging-based brain tumor grades classification and grading via convolutional neural networks and genetic algorithms. biocybernetics and biomedical engineering, 39(1), 63-74.
• [14]. Wicaksono, Y., Wahono, R. S., & Suhartono, V. (2015). Color and texture feature extraction using gabor filter-local binary patterns for image segmentation with fuzzy C-means. Journal of Intelligent Systems, 1(1), 15-21.
• [15]. Roslan, R., & Jamil, N. (2012, December). Texture feature extraction using 2-D Gabor Filters. In 2012 International Symposium on Computer Applications and Industrial Electronics (ISCAIE) (pp. 173-178). IEEE.
• [16]. Mariani, V. C., Luvizotto, L. G. J., Guerra, F. A., & dos Santos Coelho, L. (2011). A hybrid shuffled complex evolution approach based on differential evolution for unconstrained optimization. Applied Mathematics and Computation, 217(12), 5822-5829.
• [17]. Mariani, V. C., & dos Santos Coelho, L. (2011). A hybrid shuffled complex evolution approach with pattern search for unconstrained optimization. Mathematics and Computers in Simulation, 81(9), 1901-1909.
• [18]. Byla, E., & Pang, W. (2019, September). Deep swarm: Optimising convolutional neural networks using swarm intelligence. In UK Workshop on Computational Intelligence (pp. 119-130). Springer, Cham.
• [19]. Zhao, H., Gao, W., Deng, W., & Sun, M. (2018). Study on an adaptive co-evolutionary aco algorithm optimization problems. Symmetry, 10(4), 104. for complex
• [20]. Asta, S., & Uyar, A. S. (2012). A Novel Particle Swarm Optimization Algorithm. Computer & Informatics Faculty Istanbul Technical University, Istanbul, Turkey.
• [21]. Yan, J., Tiesong, H., Chongchao, H., Xianing, W., & Faling, G. (2007, April). A shuffled complex evolution of particle swarm optimization algorithm. In International conference on adaptive and natural computing algorithms (pp. 341-349). Springer, Berlin, Heidelberg.
• [22]. Suganthi, S.; Umapathi, N.; Mahdal, M.; Ramachandran, M. Multi Swarm Optimization Based Clustering with Tabu Search in Wireless Sensor Network. Sensors 2022, 22, 1736. https://doi.org/10.3390/s22051736,
• [23]. N.Umapathi., N.Ramaraj., (2016) Wireless adhoc telemedicine system: proving networking performance for multimedia data. Journal of medical imaging and health informatics 6(8), 1944 1948. DOI 10.1166/jmihi.2016.1954

Uwagi

Opracowanie rekordu ze środków MNiSW, umowa nr POPUL/SP/0154/2024/02 w ramach programu "Społeczna odpowiedzialność nauki II" - moduł: Popularyzacja nauki i promocja sportu (2025).