การเปรียบเทียบกระบวนการก่อนประมวลผลภาพสำหรับเพิ่มประสิทธิภาพของการแบ่งข้อมูลภาพของก้อนมะเร็งไกลโอมาบนภาพเอ็มอาร์ไอสมองโดยใช้การเรียนรู้เชิงลึก

Abstract

Glioma, a type of brain tumor, necessitates precise and accurate treatment, so tumor boundary delineation is crucial. Currently, determining the tumor's extent is time-consuming and highly dependent on the oncologist's expertise. Artificial intelligence (AI) can address these challenges. This study aims to develop a deep learning model for segmentation on glioma MRI images and to compare pre-processing methods to enhance model performance. The study uses: image enhancement algorithms include Contrast-Limited Adaptive Histogram Equalization (CLAHE), Gamma Correction (GC), Non-Local Mean Filter (NLMF), and Median and Wiener Filter (MWF); U-net, UNet++, and ThirdConv architectures; the BraTS2023 dataset; the Structural Similarity Index (SSIM) assesses image quality; and the Dice Similarity Coefficient (DSC) measures the similarity of tumor boundaries. Results indicate that the ThirdConv architecture trained on the normal dataset achieved a DSC value of 0.811. In the datasets enhanced using CLAHE, GC, and NLMF, the DSC values were 0.803 and 0.807 for MWF. In terms of image quality, SSIM values for CLAHE, GC, NLMF, and MWF were 0.916, 0.968, 1.000, and 0.936, respectively. In conclusion, image enhancement can add or reduce model performance. A model trained solely on an enhanced image dataset lacks significant added performance.

ไกลโอมาเป็นเนื้องอกที่ต้องได้รับการรักษาและกำหนดขอบเขตของเนื้องอกอย่างแม่นยำ ในปัจจุบันการกำหนดขอบเขตของเนื้องอกเป็นเรื่องที่ใช้เวลานานและขึ้นอยู่กับประสบการณ์ของนักรังสีแพทย์ ดังนั้นปัญญาประดิษฐ์จึงมีบทบาทสำคัญในการลดปัญหาดังกล่าว ดังนั้นการศึกษานี้จึงมีจุดมุ่งหมายเพื่อพัฒนาโมเดลการเรียนรู้เชิงลึกสำหรับการแบ่งข้อมูลภาพของก้อนมะเร็งไกลโอมาบน ภาพเอ็มอาร์ไอสมอง รวมถึงเปรียบเทียบผลของกระบวนการปรับปรุงภาพเพื่อเพิ่มประสิทธิภาพของโมเดล การดำเนินการมีการใช้เทคนิคการปรับปรุงภาพ Contrast-Limited Adaptive Histogram Equalization (CLAHE), Gamma Correction (GC), Non-Local Mean filter (NLMF), และ Median and Wiener filter (MWF) ใช้สถาปัตยกรรม U-net, UNet++, และ ThirdConv รวมไปถึงใช้ชุดข้อมูลภาพ BraTS2023 และประเมินคุณภาพของภาพจากค่า Structural Similarity Index (SSIM) และเปรียบเทียบความเหมือนของขอบเขตเนื้องอกจากค่า Dice Similarity Coefficient (DSC) ผลการประเมินพบว่าโมเดลที่ถูกฝึกฝนโดยใช้สถาปัตยกรรม ThirdConv และใช้ชุดข้อมูลปกติ มีค่า DSC เท่ากับ 0.811 ขณะที่ชุดข้อมูลที่เพิ่มคุณภาพของภาพด้วยเทคนิค CLAHE, GC, และ NLMF มีค่า DSC เท่ากับ 0.803 และเทคนิค MWF มีค่า DSC เท่ากับ 0.807 สำหรับผลการประเมินคุณภาพของภาพ เทคนิค CLAHE, GC, NLNF, และ MWF มีค่า SSIM เท่ากับ 0.916, 0.968, 1.000, และ 0.936 ตามลำดับ สรุปได้ว่าการใช้ชุดข้อมูลที่เพิ่มคุณภาพของภาพด้วยเทคนิคต่าง ๆ สามารถเพิ่มหรือลดประสิทธิภาพให้กับโมเดลได้ อย่างไรก็ตาม โมเดลที่ถูกฝึกฝนด้วยชุดข้อมูลที่เพิ่มคุณภาพของภาพเพียงอย่างเดียวไม่เพียงพอที่จะเพิ่มประสิทธิภาพของโมเดลได้อย่างมีนัยสำคัญ