Avertissement : Cette page est une traduction automatique de cette page à l'origine en anglais. Veuillez noter puisque les traductions sont générées par des machines, pas tous les traduction sera parfaite. Ce site Web et ses pages Web sont destinés à être lus en anglais. Toute traduction de ce site et de ses pages Web peut être imprécis et inexacte, en tout ou en partie. Cette traduction est fournie dans une pratique.

L'approche neuve d'apprentissage automatique classifie le type courant de tumeur cérébrale

Une approche neuve d'apprentissage automatique classifie un type courant de tumeur cérébrale dans le bas ou les hautes catégories avec l'exactitude presque de 98%, chercheurs enregistrent dans l'accès d'IEEE de tourillon.

Les scientifiques en à l'Inde et au Japon, incluant de l'institut universitaire de Kyoto pour les sciences de Cellule-Matériau Integrated (iCeMS), ont développé la méthode pour aider des cliniciens à choisir la plupart de stratégie de traitement efficace pour différents patients.

Les gliomes sont un type courant de tumeur cérébrale affectant les cellules glial, qui fournissent le support et l'isolation pour des neurones. La demande de règlement patiente varie selon l'agressivité de la tumeur, ainsi il est important d'obtenir le juste de diagnostic pour chacun individuel.

Les radiologues obtiennent très un grand nombre de caractéristique des IRMs pour reconstruire une image 3D du tissu balayé. Une grande partie des caractéristiques procurables dans les IRMs ne peut pas être trouvée à l'oeil nu, comme des petits groupes liés à la forme de tumeur, à la texture, ou à l'intensité de l'image.

Les algorithmes (AI) d'artificial intelligence aident à extraire cette caractéristique. Les oncologistes médicaux avaient employé cette approche, radiomics appelé, pour améliorer toujours des diagnostics de patient, mais des besoins d'exactitude d'être améliorés.

le bioengineer Ganesh Pandian Namasivayam d'iCeMS a collaboré avec le scientifique indien de caractéristiques Balasubramanian Raman de Roorkee pour développer une approche d'apprentissage automatique qui peut classifier des gliomes dans le bas ou la haute catégorie avec l'exactitude 97,54%.

Les gliomes de qualité inférieure comprennent l'astrocytome pilocytic de la pente I et le gliome de qualité inférieure de la pente II. Ce sont moins les agressifs et moins malins des tumeurs de gliome. Les gliomes de haute catégorie comprennent le gliome de la pente III et le multiforme malins de glioblastome de la pente IV, qui sont beaucoup plus agressifs et plus malins avec de temps relativement peu de survie de goujon-diagnostic.

Le choix de la demande de règlement patiente dépend en grande partie de pouvoir déterminer le classement du gliome.

L'équipe, y compris Rahul Kumar, Ankur Gupta et Harkirat Singh Arora, a employé un ensemble de données des IRMs appartenant à des 210 personnes avec des gliomes de haute catégorie et à des 75 différents avec des gliomes de qualité inférieure.

Ils ont développé une approche CGHF appelé, laquelle représente : système d'aide à la décision de calcul pour la catégorie de gliome utilisant le radiomics hybride et les caractéristiques basées sur ondelette stationnaires.

Ils ont choisi des algorithmes spécifiques pour extraire des caractéristiques de certains des IRMs et ont puis formé un autre algorithme prévisionnel pour traiter cette caractéristique et pour classifier les gliomes. Ils ont alors vérifié leur modèle sur le reste des IRMs pour évaluer son exactitude.

« Notre méthode a surpassé d'autres approches de pointe pour les pentes de prévision de gliome des échographies d'IRM cérébral, » dit Balasubramanian. « C'est tout à fait considérable. »

Nous espérons que des aides d'AI développent un modèle de logiciel prévisionnel d'arme semi-automatique ou de machine automatique qui peut aider des médecins, des radiologues, et d'autres médecins praticiens à régler les meilleures approches pour leurs différents patients. »

Ganesh Pandiyan Namasivayam, Bioengineer d'iCeMS, université de Kyotu

Source:
Journal reference:

Kumar, R., et al. (2020) CGHF: A Computational Decision Support System for Glioma Classification Using Hybrid Radiomics- and Stationary Wavelet-Based Features. IEEE Access. doi.org/10.1109/ACCESS.2020.2989193.