Computer-Aided Grading of Gliomas Combining Automatic Segmentation and Radiomics

Abstract

Gliomas are the most common primary brain tumors, and the objective grading is of great importance for treatment. This paper presents an automatic computer-aided diagnosis of gliomas that combines automatic segmentation and radiomics, which can improve the diagnostic ability. The MRI data containing 220 high-grade gliomas and 54 low-grade gliomas are used to evaluate our system. A multiscale 3D convolutional neural network is trained to segment whole tumor regions. A wide range of radiomic features including first-order features, shape features, and texture features is extracted. By using support vector machines with recursive feature elimination for feature selection, a CAD system that has an extreme gradient boosting classifier with a 5-fold cross-validation is constructed for the grading of gliomas. Our CAD system is highly effective for the grading of gliomas with an accuracy of 91.27%, a weighted macroprecision of 91.27%, a weighted macrorecall of 91.27%, and a weighted macro-F1 score of 90.64%. This demonstrates that the proposed CAD system can assist radiologists for high accurate grading of gliomas and has the potential for clinical applications.

Classificação de Gliomas Utilizando Índices de Biodiversidade e de Diversidade Filogenética em Imagens por Ressonância Magnética Através de uma Abordagem Radiomics

“…Trabalho AUC Acurácia Sensibilidade Especificidade N o de atributos [Zacharaki et al 2009] 0,896 0,878 0,846 0,955 24 [Zhang et al 2017] 0,960 0,960 --50 [Cho and Park 2017] 0,887 0,898 0,889 0,907 16-34 [Chen et al 2018] 0,960 0,913 0,913 -25 [Cho et al 2018]* 0,921 0,888 0,943 0,733 5 Método proposto 0,926 0,902 0,962 0,733 47 * Trabalhos com a mesma base de dados aqui utilizada. bela 3 compara resultados obtidos em alguns trabalhos anteriores com os atingidos pela metodologia proposta.…”

“…Um estudo conduzido por [Zhang et al 2017] comparou a eficiência de diversos modelos de machine learning na classificação de gliomas utilizando dados de ressonância magnética. Outro estudo [Chen et al 2018] propôs-se a desenvolver um sistema automático para classificação de gliomas, aplicando técnicas de deep learning para realizar uma segmentação automática das lesões anteriorà extração de atributos radiomics.…”

Classificação De Gliomas Utilizando Índices De Biodiversidade E De Diversidade Filogenética Em Imagens Por Ressonância Magnética Através De Uma Abordagem Radiomics

“…Muitos estudos recentes utilizaram atributos radiomics baseados em imagens por ressonância magnética para lidar com o problema de classificação de gliomas, fundamentando-se na ideia de que gliomas de graus mais elevados tendem a apresentar uma estrutura mais heterogênea [8] e utilizando a extração de características de textura e forma para mensurar tal heterogeneidade [13,14,15,16,17,18].…”

“…Através de uma validação cruzada 10-folds foi avaliada a eficácia de um modelo de classificação empregando uma regressão logística com seleção de atributos, atingindo valores de acurácia e AUC de 0,898 e 0,887, respectivamente. Utilizando a mesma base de dados, um trabalho proposto por Chen et al (2018) [17] ofereceu um sistema automático para classificação de gliomas, aplicando técnicas de deep learning para realizar uma segmentação automática das lesões anterior à extração de atributos radiomics. Deste modo, foi treinada uma rede neural convolucional 3D (CNN, convolutional neural network) através das anotações das lesões fornecidas pela base de dados e, em seguida, a partir das regiões segmentadas, foram extraídos os atributos radiomics para servirem como entrada do modelo de classificação.…”

“…AUC Acurácia Sensibilidade Especificidade N o de atributos [8] 0,896 0,878 0,846 0,955 24 [15] 0,960 0,960 --50 [16] 0,887 0,898 0,889 0,907 16-34 [17] 0,960 0,913 0,913 -25 [18]* 0,921 0,888 0,943 0,733 5 Método proposto 0,951 0,930 0,967 0,827 97 * Trabalhos com a mesma base de dados aqui utilizada.…”