CHM Mărgan Rebeca Lucrare

UNIVERSITATEA DE VEST DIN TIMIȘOARA
FACULTATEA DE CHIMIE, BIOLOGIE, GEOGRAFIE
PROGRAMUL DE STUDII UNIVERSITARE DE

LICENȚĂ: CHIMIE MEDICALĂ
LUCRARE DE LICENȚĂ
COORDONATOR: ABSOLVENT:
Lector univ. Dr., Corina, Seiman Rebeca, Mărgan
Asistent Drd., Sebastian-Aurelian, Ștefănigă
TIMIȘOARA
2020-2021
UNIVERSITATEA DE VEST DIN TIMIȘOARA
FACULTATEA DE CHIMIE, BIOLOGIE, GEOGRAFIE
PROGRAMUL DE STUDII UNIVERSITARE DE
LICENȚĂ: CHIMIE MEDICALĂ
METODE DE ANALIZĂ IMAGISTICĂ

CHIMICĂ A CREIERULUI UTILIZÂND
TEHNICI DE INTELIGENȚĂ
ARTIFICIALĂ
COORDONATOR: ABSOLVENT:
Lector univ. dr. Corina Seiman Rebeca Mărgan
Asistent Drd., Sebastian-Aurelian, Ștefănigă
TIMIȘOARA
2020-2021
..
FACULTATEA DE CHIMIE, BIOLOGIE, GEOGRAFIE.
.
DEPARTAMENTUL BIOLOGIE-CHIMIE.
CUPRINS
1. INTRODUCERE .............................................................................................................. 0
1.1. MOTIVAȚIE ..................................................................................................................... 5
1.2. INTRODUCERE DE SPECIALITATE ................................................................................... 5
1.2.1. Imagistica prin rezonanță magnetică (RMN)........................................................... 6
1.2.2. Imagistica computerului tomograf (CT) .................................................................. 6
1.2.3. Imagistica Razelor X ................................................................................................ 7
1.3. SARS-COV-2 .................................................................................................................. 7
1.3.1. Fiziopatologia SARS-CoV-2 care cauzează leziuni cerebrale ................................. 8
2. MATERIALE SI METODE .......................................................................................... 12
2.1.INTELIGENȚA ARTIFICIALĂ ȘI IMAGISTICA PRIN REZONANȚĂ MAGNETICĂ ................ 12
2.2. DEMOGRAFIA PACIENTULUI ȘI PREGĂTIREA DATELOR ............................................... 15
2.2.1. Date obținute din doi parametrii (P2).................................................................... 16
2.2.2. Date obținute din trei parametrii (P3) ................................................................... 16
2.2.3. Date obținute din patru parametrii (P4) ................................................................ 17
2.2.4. Date obținute din cinci parametrii (P5) ................................................................. 17
2.2.5. Date obținute din șase parametrii (P6) .................................................................. 17
2.3. PREPROCESARE, PROTOCOL DE ACHIZIȚIE ȘI SELECTAREA CARACTERISTICILOR .... 18
2.3.1. Mărirea datelor ...................................................................................................... 18
2.4. METODOLOGIE ............................................................................................................. 19
2.5. PERFORMANȚA MODELELOR ........................................................................................ 22
2.5.1. Protocolul experimental 1:..................................................................................... 22
2.5.2. Protocolul experimental 2:..................................................................................... 23
2.5.3. Protocol experimental 3: ........................................................................................ 23
3. REZULTATE ȘI DISCUȚII ......................................................................................... 25
3.1. PARAMETRII DE INSTRUIRE AI MODELULUI DL ........................................................... 25
3.1.1. Rezultatele protocolului experimental 1 ................................................................ 25
3.1.5. Rezultatele protocolului experimental 5 : .............................................................. 28
3.2. DISCUȚII ........................................................................................................................ 29
4. CONCLUZIE.................................................................................................................. 31
5. BIBLIOGRAFIE ............................................................................................................ 32
:| 0256-592.303
1 Str. J. H. Pestalozzi, Nr. 16, 300115 Timişoara, România.
Tel./Fax: +4 0256-592.634 (20), www.cbg.uvt.ro.
..
.
1. INTRODUCERE
Inteligența artificială (IA) este reprezentată de capacitatea unor mașini de a reproduce

funcțiile umane, precum planificarea, raționamentul, creativitatea și învățarea. IA oferă
posibilitatea sistemelor tehnice să perceapă mediul în care acționează si funcționează, să
analizeze această percepție și să soluționeze problemele unei sarcini specifice. Computerul
preia datele pregătite sau colectate prin intermediul senzorilor proprii (precum o cameră
video), le prelucrează și reacționează. Sistemele IA sunt capabile să își adapteze
comportamentul, într-o anumită măsură, analizând efectele acțiunilor anterioare și
funcționând autonom. (Ce este inteligența artificială și cum este utilizată? Parlamentul
european, 2020)
Acțiunile acestor sisteme sunt adecvate circumstanțelor și obiectivelor, sunt flexibile la
schimbarea mediilor și la schimbarea obiectivelor, învață din experiență și fac alegeri
adecvate, având în vedere limitările perceptive și calculul finit.
Poole, David și ceilalți, în cartea Computational Intelligence: A Logical Approach, definește
scopul central al inteligenței artificiale ca fiind reprezentat de înțelegerea principiilor care stau
la baza comportamentului inteligent în sistemele de procesare ale limbajului natural sau
artificial. (Poole et al., 1998)
Conceptul de utilizare a computerelor pentru a simula comportamentul inteligent și gândirea
critică a fost descris pentru prima dată de Alan Turing (parintele calculatorului si inteligenței
artificiale) în 1950. (Ruffle et al., 2019)
Există multe subdomenii conexe inteligenței artificială, cum ar fi medicina, învățarea
automată sau machine learning (ML), învățarea în profundzime sau deep learning (DL) și
viziunea artificială sau computer vision.
Învațarea automată reprezintă utilizarea trăsăturilor specifice pentru a identifica anumite
tipare care pot fi utilizate pentru analizarea unor situații specifice. Mașina - calculatorul poate
„învăța” și aplica aceste informații în scenarii similare pentru viitoare comportamente, prin
urmare, procesul poate fi aplicat automat în luarea așa numitor decizii clinice din domeniul
medical. Procesul învățării automate a avansat spre ce este cunoscut în zilele noastre sub
termenul de învățare în profunzime. La baza acestui proces sunt algoritmii care crează rețele
neuronale artificiale, asemănătoare creierului uman, ce poate învăța și poate lua decizii pe
cont propriu în baza unor comportamente ulterioare.
De la apariția învațării în profunzile și a învațării automate, inteligența artificială aplicată în
domeniul medical s-a dezvoltat creând oportunități pentru medicina personalizată, în
detrimentul medicinei bazate doar pe algoritmi. Modelele predictive dezvoltate cu ajutorul
inteligenței artificiale pot fi utilizate pentru diagnosticarea bolilor, predicția răspunsului
terapeutic și medicina preventivă, în viitor. Totodată, s-a demonstrat(Kaul et al., 2020),
(Ramesh et al., 2004)
ca IA a contribuit în acuratețea diagnosticului și eficiența tratamentelor clinice, devenind un
canal de facilitare pentru o mai bună monitorizare a bolilor și monitorizare terapeutică. IA
capabilă să îmbunătățească precizia procedurii și rezultatele generale ale pacientului. (Tandel,
et al., 2020)
Odată cu proiectarea tehnicilor moderne de IA și a noilor modalități de imagistică, cercetarea
instrumentelor de diagnostic asistat de computer (DAC) este în creștere. Instrumentele DAC
nu numai că economisesc timpul radiologilor, ci oferă și o a doua opinie în diagnostic.
Algoritmii bazați pe ML sunt metode convenționale, unde selectarea caracteristicilor,
extragerea și reducerea sunt pașii esențiali efectuați înainte de clasificare. Până în prezent,
datele medicale care folosesc IA sunt cel mai des folosite în imagistica ficatului, a tiroidei și
:| 0256-592.303
..
.
clasificarea plăgilor (Ruffle et al., 2019). Obiectivul principal al acestei lucrări este de a
identifica metodele existente potrivite pentru descoperirea sau prevenirea posibilelor anomalii
cerebrale.
Potrivit American society of clinical oncology, cancerul sistemului nervos central sau cerebral
este a zecea cauză principală de deces în rândul bărbaților și al femeilor, la nivel mondial.
Chiar dacă tumoarea cerebrală nu este considerată ca fiind principala cauză a mortalității la
nivel mondial, 40% dintre alte tipuri de cancer (în special cancerele pulmonare sau de sân) se
extind în tumori cerebrale din cauza metastazelor. (Zacharaki et al., 2009)
Deși biopsia este considerată principalul standard pentru diagnosticul cancerului, aceasta
prezintă mai multe dezavantaje, precum: specificitatea scăzută, riscul în timpul procedurii de
biopsie și timpul de așteptare relativ lung pentru rezultatele biopsiei. Datorită creșterii
volumului de pacienți cu tumori cerebrale, este nevoie de un instrument de diagnostic automat
neinvaziv, asistat de computer, care să poată diagnostica și estima automat gradul unei tumori
cu precizie în câteva secunde. (Tandel, et al., 2020)
Imagistica medicală folosește fenomene fizice precum radiații electromagnetice,
radioactivitate, rezonanță magnetică nucleară și sunete pentru a genera reprezentări vizuale
sau imagini ale țesuturilor interne ale corpului uman într-o manieră neinvazivă. Modalitățile
de imagistică cele mai comune, utilizate în medicina clinică, includ radiografia cu raze X,
tomografie computerizată (CT), rezonanța magnetică nucleară (RMN) și ultrasunete. Datele
imagistice reprezintă aproximativ 90% din toate datele despre sănătate și, prin urmare, este
una dintre cele mai importante surse de dovezi pentru analiza clinică și intervenție medicală.
(Beutel et al., 2000)
Imagistica medicală este o parte cheie a procesului de diagnostic și tratament medical. De
obicei, un radiolog va examina imaginile și va scrie un raport constatator. Medicul de
referință va pune un diagnostic și un plan de tratament pe baza imaginilor și a raportului
radiologului. În plus, imaginile devin o componentă importantă pentru procedurile invazive,
fiind utilizate atât pentru planificarea chirurgicală, cât și pentru imagistica în timp real în
timpul procedurii în sine. Majoritatea interpretărilor imaginilor sunt efectuate de radiologi. Cu
toate acestea, interpretarea imaginilor de către oameni este limitată din cauza subiectivității
umane, a oboselii si a variațiilor mari de interpretare.
Inteligența artificială, prin abilitatea algoritmilor bazați pe învățarea în profunzime, poate
oferi suport medicilor în procesul de automatizare a analizei imagistice, ceea ce a dus la
„Radiologie Computațională”. Printre instrumentele automate care sunt dezvoltate se numără
detectarea automată a anomaliilor patologice, cuantificarea extinderii bolii, caracterizarea
automată a patologiilor (de exemplu, în benigne sau maligne) și dezvoltarea unor instrumente
software dedicate care oferă suport pentru ca medicii sa poată lua deciziile mai repede.
Această tehnologie poate extinde capacitățile medicilor de a include caracterizarea tri-
dimensională și evenimentele ce variază în timp, care de multe ori nu sunt incluse în
rapoartele radiologice de astăzi, atât din cauza timpului limitat, cât și din cauza instrumentelor
de vizualizare și cuantificare limitate (Zou et al., 2004). În Fig. 1. am descris principalele
trăsături ale imagisticii medicale precum i orientările tehnologice asociate pentru abordarea
acestor trăsături prin analizarea surselor (Kevin et al., 2021).
:| 0256-592.303
..
.
o Procesare pe mai multe niveluri și zone Imagini

o Sisteme GPU
Densitate și
versatilitate
Sarcini Date
o Adaptarea domeniului
o Învățare integrată Complexitate Eterogene și o Învățare colaborativă
și diversitate izolate
Imagistica
medicală
Probe Boli o Contopire dintre
o Avansare în cunoaștere și învățare
arhitectura de rețea Dezechilibru Numeroase și o Interpretabilitate
și versatilitate diverse
Etichete
o Cuantificare nesigură
Difuze și o Învățare slabă, nesupravegheată si autodidactă
zgomotoase
FIG. 1. Principalele trăsături ale imagisticii medicale
Așa cum este descris și ilustrat în Figura 1, imaginile medicale conferă mai multe trăsături
care influențează adecvarea și natura soluțiilor prin învățare în profunzime.
Imagistica medicală are mai multe modalități și imaginile au o rezoluție densă a pixelilor,
existând multe metode comune de imagistică în care rezoluția pixelilor și densitatea
informațiilor au crescut , cât și metode noi precum computerul tomograf cu energie duală.
Imaginile medicale sunt eterogene și izolate. Deși datele de imagistică medicală există într-un
număr mare în spitale și clinici, din cauza diferențelor de echipamente, protocoalelor de
scanare și pacienților înșiși, aspectul lor este eterogen, ducând la pierderea acurateții
anticipării în timp.
Etichetele asociate cu imaginile medicale sunt difuze și zgomotoase. Etichetarea și adnotarea
imaginilor medicale este costisitoare și necesită mult timp. De asemenea, diferitele sarcini
solicită diferite forme de adnotare care determină gradul de etichetare la un nivel scăzut. Din
cauza prezentei variabilelor în diferite condiții, utilizatorii care inter-etichetează și intra-
etichetează, vor ajunge la o inconsistență ridicată a informațiilor etichetate și etichetarea poate
fi considerată zgomotoasă. În acest sens, stabilirea “standardelor de aur” rămâne o problema
deschisă.
Mai multe aspecte cheie ale tehnologiilor dezvoltate cu ajutorul IA apar în diferitele aplicații
de imagistică medicală și includ:
- reconstrucția imaginii, care își propune să formeze o reprezentare vizuală din semnale
dobândite de un dispozitiv de imagistică medicală, cum ar fi un scaner CT sau RMN.
- îmbunătățirea imaginii, care are ca scop ajustarea intensităților, astfel încât imaginea
rezultată să fie mai potrivită pentru afișare sau analiză ulterioară. Metodele de
îmbunătățire includ reducerea zgomotului, super-rezoluția, corectarea câmpului de
polarizare, armonizarea imaginii și segmentarea imaginii (are ca scop atribuirea etichetei
pixelilor, astfel încât pixelii cu aceeași etichetă să formeze un obiect segmentat). Segmentarea
:| 0256-592.303
..
.
are numeroase aplicații în cuantificarea clinică, terapia și planificarea chirurgicală.

- înregistrarea imaginilor, are scopul de a alinia coordonatele spațiale ale unei sau mai
multor imagini într-un sistem comun de coordonate.
- detecția asistată de computer (CADe), își propune să localizeze sau să găsească o porțiune
de delimitare care conține un obiect (de obicei o leziune) de interes.
- detecția asistată de diagnostic (CADx), își propune să clasifice în continuare leziunea
localizată ca benignă sau malignă (S Kevin Zhou, 2019).
1.1. Motivație
Motivul pentru care am ales să abordez folosirea metodelor de analiză imagistică chimică ale
creierului utilizând tehnici de inteligență artificială, este reprezentat în primul rând de
importanța imaginilor medicale folosite în medicină și modul în care este îmbinată ramura
chimiei cu proiectarea aparaturii și domeniul medical. Deoarece detectarea precoce a bolilor
este foarte importantă, imagistica medicală a schimbat și chiar salvat viața multor oameni.
Căutând noi metode inovative de a îmbunatați calitatea informațiilor primite, am descoperit că
inteligența artificială joacă un rol foarte important în cercetarea imagistică medicală, atât în
domeniul diagnosticului, cât și în cel terapeutic. IA are capacitatea de cuantificare și
procesare a unui număr mare de imagini medicale și, prin urmare, identifică caracteristicile
bolii care nu pot fi observate cu ochiul liber. Mai mult decat atât, noua eră a IA, adică
învățarea în profunzime, a demonstrat până acum îmbunătățiri în zona de cercetare, față de
învățarea automată tradițională.
De exemplu, Ardila și colaboratorii au propus un algoritm de învățare în profunzime, care
utilizează datele anterioare și cele actuale ale CT-urilor pacienților, pentru a prezice riscul de
cancer pulmonar. Performanța și acuratețea algoritmului a fost de 94.4% pe 6716 cazuri
naționale de testare a screening-ului cancerului pulmonar și efectuate în mod similar pe un set
independent de validare clinică de 1139 de cazuri, în comparație cu screening-ul convențional
prin CT cu doze mici de pe site-ul cancer.gov, unde există mai multe aspecte negative
asociate: examene fals-pozitive, supra-diagnostic, complicații ale evaluării diagnostice,
creșterea mortalității cauzată de cancerul pulmonar și expunerea la radiații. Spre exemplu,
procentul unui examen fals-pozitiv furnizat pe site-ul web a fost de 60%. Procentul supra-
diagnosticului a fost estimat la 67%. Există, de asemenea, riscul de a dezvolta cancer
pulmonar, indus de expunerea la radiații sau apariția altor tipuri de cancer mai târziu în viață
din această cauză. Diagnosticul bazat pe IA a redus aceste riscuri (Litjens et al., 2017).
Analizând datele cunoscute în prezent, doresc să identific cele mai bune metode de imagistică
medicală a creierului, prin care s-ar putea preveni și identifica viitoare diagnostice. Pentru
aceasta mă voi concentra asupra două aspecte. Primul este un studiu practic prin care IA
reușește, prin intermediul imagisiticii medicale, sa îmbunătățească acuratețea caracterizării
țesururilor tumorale din creier. În cel de-al doilea aspect, voi prezenta anumite direcții și
posibilități teoretice prin care metoda folosită în caracterizarea țesuturilor tumorale din creier
ar putea fi folosită în identificarea diferitelor comorbidăți la nivel cerebral, cauzate de
infectarea cu virusul SARS-COV-2.
1.2. Introducere de specialitate

Într-o situație ideală, datele unui singur microscop ar fi capabil să furnizeze suficiente
informații pentru a construi o imagine completă a unei celule prezente. În realitate, este
imposibil, deoarece tehnicile diferite microscopice au caracteristici imagistice unice. Pe baza
metodelor particulare, se distinge microscopia în infraroșu, UV sau Raman, microscopia cu
raze X (XRM), microscopia electronică, emisia cu raze X indusă de particule, imagistica prin
:| 0256-592.303
..
.
spectrometrie de masa și metode de etichetare fluorescente. De asemenea, în ultimii ani, au

fost folosite combinații ale diferitelor moduri de observare într-un singur instrument, precum:
microscopia corelativă (care combină puterea și avantajele diferitelor sisteme de imagistică,
încorporând lumina), electroni, raze X, rezonanță magnetică nucleară (RMN), și sunt folosite
în special pentru studiul materialelor biologice (Loussert et al., 2015). Utilizarea inteligenței
artificiale în imagistica medicală este supusă unei evaluări ample. IA demonstrează precizie și
sensibilitate ridicată în identificarea anomaliilor imagistice și promite să îmbunătățească
detectarea și caracterizarea țesuturilor. În prezent, multe studii de imagistică ce folosesc IA
estimează acuratețea diagnosticului prin calcularea sensibilității și specificității, în timp ce
altele evaluează rezultatele clinice importante, care necesită tratament sau condiții care pot
afecta supraviețuirea pe termen lung (Oren et al., 2020).
Printre cele mai folosite metodele imagistice medicale se regăsesc: imagistica prin rezonanță
magnetică nucleară, computerul tomograf și razele X.
1.2.1. Imagistica prin rezonanță magnetică (RMN)

RMN utilizează proprietățile magnetice naturale ale corpului pentru a produce imagini
detaliate din orice parte a corpului. În scopuri imagistice, nucleul de hidrogen este utilizat
datorită abundenței sale în apă și grăsimi. Protonul de hidrogen poate fi asemănat cu planeta
Pământ, care se rotește în jurul axei sale, cu un pol nord și sud. În acest sens, se comportă ca
un magnet mic. În circumstanțe normale, protonii de hidrogen se învârt în corp cu axele lor
aliniate aleatoriu. Când corpul este plasat într-un câmp magnetic puternic, cum ar fi un scaner
RMN, axele protonilor se aliniază. Această aliniere uniformă creează un vector magnetic
orientat de-a lungul axei scanerului RMN. Puterea câmpului magnetic poate fi modificată
electronic folosind o serie de bobine electrice cu gradient iar modificând câmpul magnetic
local prin aceste creșteri, diferite părți ale corpului vor rezona pe măsură ce se aplică diferite
frecvențe. Când se adaugă energie suplimentară (sub forma unei unde radio) la câmpul
magnetic, vectorul magnetic este deviat. Frecvența undelor radio (RF) care determină
rezonanța nucleelor de hidrogen depinde de elementul căutat (hidrogen în acest caz) și de
puterea câmpului magnetic. Când sursa de RF este oprită, vectorul magnetic revine la starea
sa de repaus, ceea ce face ca un semnal să fie emis. Acest semnal este folosit pentru a creea
imaginile MR. Bobinele receptorului sunt utilizate în jurul corpului pentru a acționa ca
antene, cu scopul de a îmbunătăți detectarea semnalului emis. Intensitatea semnalului
recepționat este apoi trasată și sunt construite imagini în secțiune transversală.
Semnalele de radiofrecvență transmise, sunt utilizate pentru a scoate în evidență anumite
țesuturi sau anomalii. Acest fapt este posibil deoarece țesuturile diferite nu se relaxează în
același timp în care pulsul de radiofrecvență transmis este oprit.
Timpul necesar pentru ca protonii să se relaxeze complet este măsurat folosind două
modalități. Prima modalitate implică timpul necesar pentru ca vectorul magnetic să revină la
starea sa de repaus, iar a doua modalitate reprezintă timpul necesar pentru ca rotirea axială să
revină la starea sa de repaus. Prin urmare, o examinare MR este alcătuită dintr-o serie de
secvențe de impulsuri. Diferite țesuturi (cum ar fi grăsimea și apa) au momente de relaxare
diferite și pot fi identificate separat. Prin utilizarea unei secvențe de impulsuri de „suprimare a
grăsimii”, de exemplu, semnalul de la grăsime va fi eliminat, lăsând doar semnalul de la orice
anomalii care se află în interiorul acestuia (Berger, 2002).
1.2.2. Imagistica computerului tomograf (CT)

CT utilizează raze X împreună cu algoritmi de calcul pentru a produce imaginea corpului.
Mai exact, CT este un instrument de diagnostic clinic neinvaziv care permite reconstrucția
:| 0256-592.303
..
.
vizuală 3D și segmentarea țesuturilor de interes. Sistemele CT de înaltă rezoluție pot fi

utilizate pentru a efectua imagini 3D nedistructive ale unei varietăți de tipuri de țesuturi și
sisteme de organe (Lusic și Grinstaff, 2012).
În CT, un tub generator de raze X se rotește în jurul unui pacient producând o imagine în
secțiune transversală generată de computer (tomogramă). Agenții de radiocontrast sunt
utilizați adesea pentru procesarea unor imagini mai clare. Componentele de bază ale unui CT
sunt tubul cu raze X și detectoarele Roentgen, care sunt poziționate pe părțile opuse ale
portului scanerului. Scanarea CT a devenit testul de alegere în diagnosticarea unor afecțiuni
urgente și emergente, cum ar fi hemoragia cerebrală, embolia pulmonară (cheaguri în arterele
plămânilor), disecția aortică (ruperea peretelui aortic), apendicita, diverticulita și
obstrucționarea calculilor renali (Deepika și Savita, 2020).
1.2.3. Imagistica Razelor X

Razele X au fost utilizate în imagistica macroscopică a corpului uman aproape imediat după
descoperirea lor de Wilhelm Conrad Röntgen. Acestea oferind un contrast imagistic de
absorbție în funcție de diferențele dintre numărul atomic efectiv (Z), care face diferența între
țesutul moale și structura osoasă. Cu toate acestea, dezvoltarea lor într-o tehnică analitică
practică pentru analiza elementară a fost lentă din cauza lipsei unor surse de raze X suficient
de intense. Dezvoltarea radiației sincrotrone (SR) din inelele de stocare a electronilor din
ultimul sfert al secolului al XX-lea a furnizat fluxul și luminozitatea necesare pentru aplicații
microscopice și sub-microscopice. În timp ce razele X produse în tuburile de raze X se
răspândesc aproape izotrop pe măsură ce se îndepartează de sursă, SR este emis cu direcție
precisă. Emisia lor foarte redusă, combinată cu fluorescența ridicată, au permis dezvoltarea
unor dispozitive de focalizare eficiente utilizate în XRM și au condus la o creștere majoră a
utilizării imaginii cu raze X bazate pe SR pentru a obține informații despre densitate,
compoziție chimică, stări chimice, structura și perfecțiunea cristalografică. Imagistica cu raze
X este adecvată pentru micro-analiza probelor biologice delicate, aproape de starea lor
naturală umedă, deoarece imagistica nu trebuie neapărat să fie realizată în vid în condiții
criogenice (Collingwood și Adams, 2017).
1.3. SARS-CoV-2
În decembrie 2019, un nou coronavirus denumit „sindromul de detresă respiratorie acută
severă coronavirus 2” (SARS-CoV-2) a apărut în Wuhan, capitala provinciei Hubei din
China. Boala cauzată de virus a fost numită inițial „pneumonie coronavirusă nouă” (NCP) de
către guvernul chinez, dar ulterior a fost redenumită „boală coronavirus 2019” (COVID-19)
de Organizația Mondială a Sănătății (OMS). La data de 30 ianuarie 2020, a fost declarată o
urgență de sănătate publică de interes internațional. SARS-CoV-2 se transmite în principal
prin picături de salivă sau scurgeri nazale (World Health Organization, 2020), iar primele
dovezi ale transmiterii de la om la om au fost găsite de Jasper Fuk-Woo Chanși colab. în
studiul lor de la Universitatea din Hong Kong-Spitalul Shenzhen (Chan et al., 2020). Din
cauza contagiozității sale (Ro = 2,7), virusul a atins niveluri epidemice care au afectat 222 de
țări, a cauzat peste 170 milioane de infecții și peste 3 milioane decese (Worldometer, 2021).
Deoarece am prezentat că IA în combinație cu imagistica medicală îmbunătățește
diagnosticul, accelerează evaluarea pacientului, îmbunătățește monitorizarea bolii și
accelerează intervenția din timp a medicilor, cea de-a doua parte a acestei lucrări va fi
concentrate asupra caracterizării țesuturilor cerebrale din imaginile pacienților afectați de
COVID-19, folosind tehnicile de IA. Utilizarea IA poate încetini semnificativ timpii de
diagnostic, în special în timpul pandemiei COVID-19, deoarece numărul pacienților este în
:| 0256-592.303
..
.
continuă creștere și există puțini specialiști disponibili. Importanța AI crește în mod specific
atunci când imagistica medicală este folosită, în principal din cauza dimensiunilor
volumetrice mari ale datelor și a necesității extinse de a caracteriza și cuantifica boala prin
intermediul imaginilor leziunii. Imagistica țesuturilor și caracterizarea acesteia sunt foarte
importante, deoarece au o influență directă asupra deciziilor legate de severitatea COVID-19
pentru un pacient. Principalul beneficiu al metodelor de IA este că mașinile pot fi folosite
pentru antrenament (prin imitarea acțiunilor cognitive ale medicului) și astfel de modele
instruite pot fi utilizate pentru a prezice severitatea bolii la pacienții asimptomatici (Wu et al.,
2020).
În următoarele secțiuni vor fi prezentate fiziopatologiile celor patru căi care provoacă leziuni
ale creierului, dovezi referitoare la utilizarea imagisticii în timpul pandemiei COVID-19 și
detalierea utilizării caracterizării țesuturilor bazate pe IA pentru evaluarea riscurilor.
1.3.1. Fiziopatologia SARS-CoV-2 care cauzează leziuni cerebrale

Studiile arată că SARS-CoV-2 folosește receptorul enzimei de conversie a angiotensinei 2
(ECA2), cunoscută și sub numele de angiotensin convertază 2, pentru a avea acces la celule,
prin legarea proteinei SPIKE pe suprafața ei (Hoffmann et al., 2020)(vezi Figura. 2 ). ECA2
este o enzimă omolog carboxipeptidază care are funcții vitale diferite în calea sistemului
renină-angiotensină-aldosteron (SRAA) (Patel et al., 2016) și are efecte asupra celulelor
miocardice, pneumocitelor de tip 2, enterocitelor și astrocitelor (în creier) (Hamming et al.,
2004)
SARS-CoV-2 cauzează leziuni cerebrale prin patru căi diferite:
a) Calea neuronală
b) Calea hipoxiei
c) Calea SRAA
d) Calea imună
a) Calea neuronală: Studiile epidemiologice recente au demonstrat similitudini la nivel
genomic între SARS-CoV-1, MERS și SARS-CoV-2. Între timp, studiile experimentale
anterioare au arătat că beta coronavirusurile în general - cum ar fi SARS-CoV-1 și MERS - se
pot răspândi și infecta direct creierul atunci când sunt inhalate prin epiteliul nazal prin
picăturile pe care o persoană infectată le generează atunci cand tușește, stranută sau vorbește.
Fig. 6 prezintă nervul olfactiv și bulbul olfactiv- etichetată ca „a” și respectiv „b”, pe
secțiunea sagitală a creierului în calea neuronală. Pe baza rapoartelor recente, pacienții
infectați cu SARS-CoV-2 prezintă simptome de disgeuzie (pierderea gustului) și anosmie
(pierderea mirosului), prin urmare, coronavirusurile care infectează prin nervul olfactiv și
bulb pot ajunge la creier și lichidul cefalorahidian (LCR) în termen de șapte zile. În plus, s-a
observat că acești viruși provoacă inflamații și demielinizare (Suri et al., 2020). Mai mult,
Bohmwald și colaboratorii au demonstrat într-un studiu experimental pe șoareci că
îndepărtarea bulbului olfactiv poate duce la restricționarea CoV în sistemul nervos central
(SNC) (Bohmwald et al., 2018).
b) Calea hipoxiei: Hipoxia din creier crește metabolismul anaerob în mitocondriile celulelor
creierului, ducând la vasodilatație cerebrală, edem și afectarea fluxului. Acest lucru poate
duce la ischemie cerebrală și boli cerebrovasculare acute, cum ar fi accident vascular cerebral
ischemic acut (vezi Figura 2) (Suri et al., 2020).
c) Calea SRAA: după SARS-CoV-2: Calea SRAA joacă un rol foarte important în reglarea
tensiunii arteriale, precum și a echilibrului fluidului și electroliților. Orice perturbare a acestei
căi poate declanșa patogeneza bolilor cardiovasculare. Înainte ca o infecție cu SARS-CoV-2
să declanșeze SRAA, Angiotensina I (Ang I) se leagă de Angiotensina II (Ang II) prin ECA1.
:| 0256-592.303
..
.
Ang II provoacă vasospasm și este, de asemenea, un agent pro-inflamator cu efecte

protrombotice și proliferative care sunt dăunătoare tonusului vascular și hemostazei. Astfel,
ca mecanism de controreglare, ECA2 degradează Ang II și generează Ang (1-7), care
contracarează impactul negativ al Ang II. Atât ECA2, cât și Ang (1-7) au efecte de protecție
vasculară cardio-cerebrală. După declanșarea infecției cu SARS-CoV-2, aceasta are acțiune
directă asupra dereglării SRAA cauzând leziuni cardiace și cerebrale, din cauza creșterii Ang
II, care este cauzată de scăderea nivelului ECA2 ( Figura 2). Creșterea nivelului de Ang II
stimulează cortexul suprarenal al rinichiului, rezultând o producție crescută de aldosteron.
Aldosteronul este un hormon steroid care determină creșterea reabsorbției de sodiu și apă la
nivelul tubului distal și la canalul colector al nefronului. Această reabsorbție crește volumul
de sânge și determină o creștere a tensiunii arteriale, ceea ce duce la disfuncția endotelială
care provoacă leziuni ale creierului și ale inimii (Suri et al., 2020)
d) Calea imună: studii recente au raportat cazuri de pneumonie virală SARS-Cov-2, ce
prezintă un răspuns inflamator exagerat cunoscut sub numele de „furtună de citokine”. Acest
răspuns este prezent în stadii avansate ale COVID-19 sever, cu niveluri crescute de citokine
inflamatorii care duc la insuficiență multiplă de organe (Chen et al., 2020). Creșterea
markerilor inflamatori, inclusiv IL-6, IL-7, IL-12, IL-15, IL-22, TNF-α și CXCL-10 au ca
refect destabilizarea plăcilor de aterom. Acest lucru, la rândul său, poate provoca ruperea
plăcii, provocând leziuni ale inimii și creierului (Bohmwald et al., 2018), (Xiong et al., 2020).
Figura 6 arată prezentarea generală a modului în care SARS-CoV-2 cauzează leziuni
cerebrale prin patru căi diferite.
:| 0256-592.303
..
.
SARS-COV-2
Receptorul ECA 2
Membrana celulară
CALEA CALEA HIPOXIEI CALEA SRAA CALEA IMUNĂ

NEURONALĂ
ACUMULARE DE NEUTROFILE
PICĂTURI ANGIOTENSINA II PNEUMONIE
RESPIRATORII
PERMEABILITATEA VASCULARĂ
EPITELIUL NAZAL SIRS

EXUDAT INFLAMATOR
ALVEOLAR ȘI VASOCONSTRICȚIE
c d INTERSTIȚIAL DIFUZ
CITOCHINE
PROINFLAMATORI
CITOCHINE
a EDEM PULMONAR PROINFLAMATORI
I
I
b EMFIZEM MEDIATORI IL6, IL7, IL12, TNF,
CXCL10
PULMONAR PROFIBROTICI
a-nervul olfactiv SARS MEDIATORI

b-bulbul olfactiv PROTROMBOTICI FURTUNĂ DE
CITOCHINE
c-creier HIPOXIE
d-LCR CEREBRALĂ PROLIFERAREA
CELULARĂ
METABOLISM ANAEROB ÎN STABILITATEA
MITOCONDRIILE PLĂCII
CELULELOR CREIERULUI
INFLAMAȚIE
VASODILATAȚIE DISFUNCȚIE RUPEREA PLĂCII
CEREBRALĂ ENDOTELIALĂ
EDEM CEREBRAL LEZIUNI

LEZIUNI
CEREBRALE CEREBRALE LEZIUNI
CEREBRALE
ISCHEMIE ȘI CONGESTIE
LEZIUNI CEREBRALE
FIG. 2. Prezentarea generală a modului în care SARS-CoV-2 cauzează leziuni cerebrale.
Așa cum este descris în Figura 6 și specificat mai sus, COVID-19 folosește patru căi pentru a
provoca leziuni critice ale creierului în special pacienților cu comorbidități. Prevalența
leziunilor cerebrale cauzate de COVID-19 indică necesitatea unei utilizări sporite a imagisticii
medicale pentru a accelera evaluările, diagnosticele diferențiale și gestionarea pacienților,
ținând cont și de măsuri adecvate de siguranță. Gravitatea simptomelor COVID-19 ale unui
pacient ajută la determinarea modalității imagistice adecvată: portabilă sau neportabilă și
invazivă sau neinvazivă, existând mai multe metode de imagistică medicală folosite, ce au
condus la un tratament adecvat și la gestionarea asistenței medicale în timpul pandemiei,
reducând rata mortalității (Suri et al., 2020).
Deși imagistica medicală poate fi foarte utilă atât pentru pacienți, cât și pentru medici, curba
pandemiei exponențiale, facilitățile medicale inadecvate și un număr limitat de radiologi fac
evaluarea, diagnosticul și procesele de management predispuse la erori. Prin urmare, deși
imagistica medicală poate face diagnosticarea mai rapidă, așa cum s-a menționat mai sus,
aceasta va avea o utilizare limitată. Având în vedere acest fapt, tehnicile de IA și
:| 0256-592.303
..
.
diagnosticele asistate de computer aplicate în imagistica medicală duc la o evaluare mai

rapidă. Acest lucru este posibil deoarece IA se potrivește cerințelor imediate ale
diagnosticelor de imagine medicală în timpul pandemiei COVID-19.
Testele bazate pe IA pot clasifica natura riscului unui pacient în 6 categorii: fără risc, cu risc
scăzut, risc scăzut spre mediu, risc mediu spre ridicat, risc scăzut spre ridicat sau risc ridicat,
în funcție de simptomele pacientului și severitatea acestora (Shah et al., 2021). Modalitatea de
imagistică variază, de asemenea, în funcție de gradul de risc: nu se folosește imagistica pentru
persoanele care nu prezinta niciun risc, imagistică portabilă pentru riscurile scăzute și cele
scăzute spre medii și imagistica invazivă pentru pacientii cu risc ridicat. Pentru a interpreta cu
exactitate rezultatele diagnosticului, se efectueaza o probabilitate (PTP), cu scopul de a
clasifica pacientul într-unul dintre cele patru grade (Salehi et al., 2020). După aceea, pentru
pacienții fără risc, pot fi colectați biomarkeri fără imagistică pentru evaluarea riscurilor
utilizând protocoale de date bazate pe IA. Pentru pacienții cu risc scăzut, este utilizată
imagistica 2D / 3D portabilă, cum ar fi ultrasunetele, în timp ce imagistica 2D / 3D
neportabilă și invazivă, cum ar fi RMN / CT /radiografie /ecocardiografie, poate fi utilizată
pentru pacienții cu LM. Pentru pacienții cu risc ridicat, pot fi utilizate tehnici de imagistică
invazivă, cum ar fi IVUS și ventriculografia. Pe baza datelor furnizate de diferite scanări 2D /
3D, imagistica medicală bazată pe IA este aplicată pentru evaluarea riscurilor (Suri et al.,
2020).
:| 0256-592.303
..
.
2. MATERIALE ȘI METODE
2.1.Inteligența artificială și imagistica prin rezonanță magnetică

RMN este modalitatea imagistică preferată de medici pentru pre- și post-tratament, pentru a
estima structura tumorii. Acest lucru ajută la planificarea rezecției chirurgicale și la urmărirea
evoluției bolii (Bauer et al., 2013). Pe baza caracteristicilor țesuturilor, au fost adoptate
diferite protocoale RMN, cum ar fi RMN ponderat T1 (T1W), RMN ponderat T1 cu
îmbunătățirea contrastului (T1Wc), RMN ponderat T2 (T2W) și RMN ponderat T2 cu
recuperarea inversiunii atenuate de fluid (FLAIR). Diagnosticul complet al tumorii constituie
o procedură complexă. Poate consta în mai mulți pași, cum ar fi (1) examen neurologic / fizic,
(2) localizarea tumorii, (3) analizarea dimensiunii, formei și localizării în corp, (4) rezecție
chirurgicală (inclusiv biopsie), (5) analiza țesuturilor / celulelor și luarea deciziilor pentru
clasificarea tumorii. Deoarece numărul pacienților cu cancer crește exponențial în ultimul
timp, este nevoie de un instrument neinvaziv, asistat de computer, care poate estima gradul
tumorii cu precizie, cu consistență și într-un timp scurt. Multe tehnici au fost propuse pentru
clasificarea tumorilor cerebrale. Ele pot fi clasificate în ML (Nardone et al., 2016) și DL
(Khawaldeh et al., 2017), tehnici bazate pe selectarea caracteristicilor și mecanismul de
învățare. Mai mult, putem descrie încă două abordări ale gradării tumorale: invazive și
neinvazive. În metoda invazivă, probele tumorale sunt extrase din corp printr-o incizie și
analizate prin metode AI folosind imagini histopatologice. În schimb, în abordările
neinvazive, modalitățile de imagistică, cum ar fi RMN sau CT, sunt utilizate pentru a efectua
analiza în mod automat, utilizând caracteristici imagistice bazate pe grade de tumori sau
cunoștințe definite anterior. O abordare automată a analizei imaginii histopatologice poate
reduce timpul, erorile și poate îmbunătăți consistența rezultatelor. În metodele ML, selectarea
și extragerea caracteristicilor sunt pașii esențiali ai clasificării. În schimb, modelele DL pot
extrage și învăța trăsături sau modele esențiale direct din imagine, chiar dacă trăsăturile nu
sunt vizibile pentru ochiul uman. Astfel, tehnicile DL, în special rețeaua neuronală
convoluțională (CNN), au fost utilizate pe scară largă în aplicații de imagistică medicală, cum
ar fi înregistrarea imaginilor, segmentarea și clasificarea, expunând rezultate superioare
comparativ cu tehnicile ML convenționale (Havaei et al., 2017). Deoarece metodele DL pot
învăța modele ascunse din imagini, se formulează ipoteza că metodele DL ar putea învăța
modele tumorale în mod automat din imagini, având totodată și performanțe mai bune decât
ML. Prin urmare, obiectivul principal al folosirii metodei RMN este de a dezvolta un sistem
de clasificare al tumorilor cerebrale utilizând IA într-un cadru RMN multiparametric și, mai
departe, să fie comparate aceste metode IA cu modelele ML.
În această lucrare, se implementează dezvoltarea unui studiu bazat pe IA pentru clasificarea
tumorilor cerebrale multiparametrice, și anume două, trei, patru, cinci și șase parametrii. În
plus, modelul IA folosește un cadru de învățare prin transfer sau transfer learning (TL) bazat
pe CNN. TL este o tehnică de optimizare utilizată pentru a îmbunătăți performanța pe baza
cunoștințelor anterioare. Această metodă permite refolosirea caracteristicilor învățate din
datele anterioare, ca apoi să poată fi aplicate unei noi probleme, în care datele sunt limitate
(de exemplu date medicale) (Alam et al., 2018). Astfel, soluția propusă este folosirea DL
bazată pe învățare prin transfer (TL) în cadrul CNN.
Segmentarea regiunii de interes sau region of interest (ROI), care constă din regiunea
tumorală, este un pas esențial în orice problemă de clasificare convențională. Deoarece
modelele DL pot extrage modele adecvate pentru o imagine, în loc de segmentarea ROI, se
folosește un concept de segmentare parțială prin eliminarea craniului din imaginea RMN a
:| 0256-592.303
..
.
creierului. Astfel se poate economisi utilizarea inutilă a puterii de calcul de către aparat. În
validarea modelului, a fost conceput un test de analiză statistică utilizând caracteristicile
învățate ale CNN și denumit ca fiind indicele de separare a tumorii (IST). Arhitectura
sistemului de gradare a tumorii sau tumour grading system (TGS) este descrisă în sistemul
global descris în Figura 3. În etapa de preprocesare a imaginii creierului, datele RMN au fost
parțial segmentate și mărite pentru CNN, utilizând scalarea aleatorie și rotația imaginilor din
cauza limitării seturilor de date medicale. Au fost concepute cinci seturi de date relevante din
punct de vedere clinic ale tumorilor cerebrale pe baza informațiilor de bază furnizate. Aceste
seturi de date au fost antrenate în TGS utilizând mai multe modele ML și DL și diverse
protocoale de validare. În cele din urmă, folosind modele “instruite” (trained models)
etichetele multiparametrice au fost prezise pe probele testate.
Obiectivele folosirii imagisticii prin rezonanță magnetică multiparametrică folosind IA sunt
următoarele:
- Pentru a înlocui metoda convențională de diagnosticare și clasificare a tumorii cerebrale
invazive (biopsie) cu instrumente CAD neinvazive utilizând RMN;
- Folosind metoda AI, pentru a găsi performanța optimă în clasificarea tumorilor cerebrale
utilizând date multiparametrice, protocoale multiple de validare încrucișată și numeroase
modele de antrenament în paradigmele ML și DL;
- Pentru a compara și a contrasta paradigmele ML și DL pentru clasificarea tumorilor
cerebrale.
:| 0256-592.303
..
.
RMN cerebral
Mărirea datelor Pregatirea datelor Redimensionarea imaginii
Date formatate
Modelele DL și ML TGS Validarea incrucișată
Predictie cu Predictie cu Predictie cu Predictie cu Predictie cu

2 parametrii 3 parametrii 4 parametrii 5 parametrii 6 parametrii
Porțiune Porțiune Porțiune Porțiune

AST(g2)
normală normală normală normală
Porțiune AST(g3) AST(g2)

LGG AST
tumoroasă
HGG OLI OLI(g2) AST(g3)
GBM OLI(g3) OLI(g2)
GBM(g4) OLI(g3)
GBM(g4)
FIG. 3. Arhitectura sistemului global pentru sistemul de gradare a tumorii (TGS). Arată două etape de
pregătire a datelor și motorul TGS, de asemenea. Casetele punctate arată numărul de scenarii cu
parametrii diferiți.
Odată cu inventarea tehnicilor moderne de IA și a noilor modalități de imagistică, cercetarea

instrumentelor CAD este în creștere (El-Baz et al 2019). Instrumentele CAD nu numai că
economisesc timpul radiologilor, ci oferă și o a doua opinie în diagnostic (Molinari et al.,
2010), (Srivastava et al., 2019). Algoritmii bazați pe ML sunt metode convenționale,
unde selectarea, extragerea și reducerea caracteristicilor sunt pașii esențiali efectuați înainte
de clasificare. Până în prezent, acești algoritmi au fost aplicați cu succes la diferite aplicații de
imagistică medicală, cum ar fi ficatul (Saba et al., 2016), tiroida (Rajendra et al., 2014) și
clasificarea plăgii (Rajendra et al., 2013). Soluțiile bazate pe ML care utilizează selecția
caracteristicilor împreună cu paradigma de clasificare au fost propuse ca exemple clasice ale
aplicațiilor în diabet (Maniruzzaman et al., 2018), clasificarea genelor (Maniruzzaman et al.,
2019) și dermatologie (Srivastava, et al., 2019).
:| 0256-592.303
..
.
Zacharaki și colaboratorii (Zacharaki et al., 2009), au efectuat studii de clasificare a tumorilor

cerebrale folosind paradigma ML, unde clasificarea binară a gliomului de grad înalt (HGG)
versus gliomului de grad scăzut (LGG) a fost principalul obiectiv. Mai mult, glioblastomul
multiform (GBM) și metastazele cerebrale (MET) sunt dificil de distins folosind RMN,
reprezentând adesea o dilemă de diagnostic pentru oncologi în timpul intervenției
chirurgicale. Astfel, aceasta este o altă provocare cu care se confruntă cercetătorii din
domeniul tumorilor cerebrale. Prin urmare, unii cercetători au propus studii pentru a efectua
clasificarea GBM și a MET pe baza ipotezei că tumorile MET și GBM diferă în morfologie.
Yang și colaboratorii (Yang et al., 2015) au efectuat studii de clasificare a tumorilor MET și
GBM folosind caracteristici morfologice.
Odată cu invenția metodelor DL, au fost evitate etapele de selectare a caracteristicilor și de
reducere a caracteristicilor, reducând astfel cheltuielile generale(Biswas et al., 2018). Prin
urmare, metodele DL sunt utilizate pe scară largă în zilele noastre în domeniul medical. De
exemplu, Khawaldeh și colaboratorii (Khawaldeh et al., 2017) a folosit un model CNN pentru
a clasifica imaginile creierului ca fiind sănătoase și nesănătoase, iar imaginile nesănătoase au
fost clasificate în continuare drept LGG sau HGG. Cea mai mare precizie a clasificării, de
91,61%, a fost observată între HGG și LGG pe 130 de date publice despre pacienți din Arhiva
Imagisticii Cancerului (TCIA). Într-un studiu similar, Anaraki și colaboratorii (Anaraki et al.,
2019) au propus o metodă bazată pe CNN în care au evoluat strategia CNN folosind un
algoritm genetic (GA) prin schimbarea parametrilor folosind metode de încercare și eroare.
Cea mai mare precizie - 94,2% a fost atinsă de modelul propus. Datorită numeroaselor
încercări necesare pentru selectarea parametrilor în timpul evoluției CNN folosind metoda
GA, această abordare este costisitoare din punct de vedere al calculului.
O paradigmă TL cu CNN a fost propusă de Yang și colaboratorii (Yang et al., 2015) care au
efectuat două studii diferite cu modele CNN cunoscute, AlexNet și GoogLeNet, și au arătat că
CNN cu TL a funcționat mai bine decât antrenarea CNN atunci când a fost dezvoltată de la
zero (fără TL). În mod similar, Swati și colaboratorii (Swati et al., 2019) au prezentat un
model CNN profund pre-instruit și a propus o strategie de reglare fină bazată pe TL. Metoda a
fost mai generică, deoarece nu a folosit nici o funcție artizanală și a necesitat o prelucrare
minimă. Mai mult, Zhang și colaboratorii (Zhang et al., 2020) au propus un studiu bazat pe
imagistica tensorului de difuzie pentru clasificarea tumorilor cerebrale. Studiul a folosit
caracteristici radiomice, unde textura tradițională, caracteristicile morfologice și profunde noi
au fost delimitate manual de regiunile tumorale.
În soluția propusă pe bază de CNN, autorii au folosit o funcție modificată de pierdere
softmax, pretinzând o îmbunătățire cu 2% a preciziei și o îmbunătățire suplimentară a vitezei
cu 40-50 ms comparativ cu soluțiile actuale. (Tandel et al., 2020). Printre studiile de mai sus,
majoritatea lucrărilor au propus clasificarea binară LGG și HGG și cele mai utilizate seturi de
date RMN cerebrale BraTS, TCIA și TCGA. Câteva studii au propus utilizarea paradigmei
TL pentru clasificarea tumorilor cerebrale. Mai mult, se observă că niciunul dintre modelele
propuse mai sus nu a fost verificat și validat. Prin urmare, există o lacună de cercetare a
clasificării tumorilor cerebrale multiclase folosind TL împreună cu găsirea unei metode
adecvate de validare și verificare a modelului.
2.2. Demografia pacientului și pregătirea datelor

Distribuția tumorilor cu multiparametrii grupați reprezintă temelia pentru proiectarea
sistemului DL bazat pe TL. Astfel, sunt discutate în detaliu grupurile și multiplii parametrii
implicați. Înainte de a putea fi aplicată clasificarea, datele de intrare în tonuri de gri trebuie
preprocesate. Astfel, această secțiune prezintă toate informațiile despre datele demografice ale
:| 0256-592.303
..
.
pacienților, pregătirea datelor, preprocesarea și extragerea caracteristicilor. Pentru aceasta,

este utilizat depozitul de date despre neoplazia cerebrală moleculară (REMBRANDT). Datele
sunt alcatuite din 130 de pacienți cu tumoare pe creier confirmată histopatologic. Vârstele
pacienților sunt cuprinse între 15 și 89 de ani, cu o medie de 47,5 ani, iar rata medie de
supraviețuire a pacienților a fost de 47 de luni. Datele RMN constau din trei tipuri de tumori
cerebrale:
- astrocitom (AST) (47 de pacienți),
- oligodendrogliom (OLI) (21 de pacienți)
- GBM (40 de pacienți).
Restul tipurilor de tumori cerebrale ale pacienților sunt necunoscute. Pacienții acestor tipuri
de tumori sunt în continuare împărțiți în sub-gradele lor:
- AST (gradul 2: 30 pacienți; gradul 3: 17 pacienți)
- OLI (gradul 2: 14 pacienți; gradul 3: 7 pacienți)
- GBM (gradul 4: 40 pacienți)
Datele tipurilor de tumori sunt rezumate în Tabelul 1. Unele eșantioane reprezentative de
tumori cerebrale sunt prezentate în Fig. A1 din Anexa A. Setul de date complet este alcătuit
din diferite protocoale RMN, precum T1W, T2W, FLAIR, imagistica difuzată (DWI) și
subtipurile acestora. În protocolul RMN T2W, regiunea tumorală înconjurată de edem apare
strălucitoare. Materia mai albă pare strălucitoare, iar materia gri pare întunecată. Prin urmare,
există un contrast suficient între substanța gri și cea albă. Astfel, s-a selectat protocolul RMN
T2W pentru experiment. Voxelul RMN 3D a fost împărțit în continuare în porțiuni 2D cu
vedere axială. Toate porțiunile au fost etichetate manual de către experți. Porțiunea 2D RMN
a fost considerată ca un eșantion pozitiv dacă leziunea tumorală era vizibilă, iar dacă nu s-a
găsit nicio leziune tumorală în porțiune au fost etichetate ca probe negative. (Tandel et al.,
2020). Pentru a observa comportamentul de caracterizare a clasei inter-tumorale și intra-
tumorale, au fost concepute cinci seturi de date relevante clinic.
TABELUL 1. Tipuri de tumori și grade tumorale corespunzătoare pacienților de intrare.
Tipul tumorii Astrocitom Oligodendrogliom Glioblastom Informațiile furnizate prin
(AST) (OLI) (GBM) observație directă nu sunt
disponibile.
Numărul de 47 21 44 18
pacienți
Gradul tumorii Gradul 2 (g2) Gradul 2 (g2) Gradul 4 -
Gradul 3 (g3) Gradul 3 (g3) (g4)
Pacienți în 30 cu g2 14 cu g2 44 cu g4 18
funcție de grad 17 cu g3 7 cu g3
2.2.1. Date obținute din doi parametrii (P2)
Obiectivul principal al datelor preluate din doi parametrii (P2) a fost dezvoltarea unui
instrument CAD pentru caracterizarea RMN a creierului în parametrii normali și tumorali. În
P2, datele RMN cerebrale ale celor 130 de pacienți au fost împărțite în două categorii
(normale și tumorale). În clasa tumorală, au fost incluse porțiunile 2D din fiecare tip de
tumoră cerebrală (AST, OLI și GBM), unde leziunea tumorală a fost vizibilă. Restul
porțiunilor, unde leziunea tumorală nu a fost văzută, au fost incluse în clasa normală.
Numărul total de probe normale și tumorale a fost de 1041 și respectiv 1091 (Tandel et al.,
2020).
2.2.2. Date obținute din trei parametrii (P3)
:| 0256-592.303
..
.
Obiectivul datelor preluate din trei parametrii (P3) a fost de a împărți datele RMN cerebrale în
trei parametrii: normal, LGG și HGG. Parametrul LGG a inclus probe tumorale de gradul 2 de
tipuri AST și OLI. Alte clase HGG au inclus probe tumorale de gradul 3 de tipuri AST și OLI
și probe tumorale de gradul 4 de tip GBM. Restul părților netumoroase au fost incluse în
parametrul normal. Probele clasificate ale datelor P3 sunt: (1) normal: 1041 probe; (2) LGG:
484 probe; și (3) HGG: 631 probe. (Tandel et al., 2020).
2.2.3. Date obținute din patru parametrii (P4)
Obiectivul datelor preluate prin patru parametrii (P4) a fost de a împărți datele RMN cerebral
în patru parametrii: normal, AST, OLI și GBM. Toate porțiunile tumorale ale tipurilor de
tumori AST (gradele 2 și 3), OLI (gradele 2 și 3) și GBM (gradul 4) sunt incluse în clasele
AST, OLI și respectiv GBM. Restul probelor non-tumorale sunt încorporate în parametrul
normal. Datele probelor din cei șase parametrii sunt: normal: 1041 probe; AST: 557 probe;
OLI: 219 probe și GBM: 339 probe (Tandel et al., 2020).
2.2.4. Date obținute din cinci parametrii (P5)
Datelele preluate de cinci parametrii (P5) au fost concepute pentru a separa datele RMN
cerebral în diferite grade ale tumorilor cerebrale și sub-gradele acestora, și anume AST
(gradul 2), AST (gradul 3), OLI (gradul 2), OLI (gradul 3) ) și GBM (gradul 4). În P5,
porțiunile normale de creier au fost excluse. Rezultatele eșantionului din acești parametrii
sunt: AST (gradul 2): 356 probe; AST (gradul 3): 201 probe; OLI (gradul 2): 128 de probe;
OLI (gradul 3): 91 de probe; și GBM (gradul 4): 339 de probe (Tandel et al., 2020).
2.2.5. Date obținute din șase parametrii (P6)
Obiectivul datelor preluate de șase parametrii (P6) este reprezentat de separarea RMN
cerebral în șase parametrii, și anume normal, AST (gradul 2), AST (gradul 3), OLI (gradul 2),
OLI (gradul 3) și GBM (gradul 4). Rezultatele eșantionului sunt - normal: 1041 probe; AST
(gradul 2): 356 probe; AST (gradul 3): 201 probe; OLI (gradul 2): 128 de probe; OLI (gradul
3): 91 de probe; și GBM (gradul 4): 339 de probe (Tandel et al., 2020).
Probele și detaliile etichetării datelor multiparametrice sunt prezentate în Tabelul 2.
TABELUL 2. Probele și detaliile etichetării datelor multiparametrice.

Numele parametrului Eticheta Probe Probe
totale
P2 (date din doi Normal G1 1041
parametrii) date Tumoros G2 1091 2156
RMN cerebrale
P4 (date din patru Normal G1 1041
parametrii) date AST (g2 + g3) G2 557
RMN cerebrale. OLI (g2 + g3) G3 219 2156
GBM (g4) G4 339
P5 (date din cinci AST (g2) G1 356

parametrii) date AST (g3) G2 201
RMN cerebrale. OLI (g2) G3 128 1115
OLI (g3) G4 91
GBM (g4) G5 339
:| 0256-592.303
..
.
P6 (date din șase Normal G1 1041

parametrii) date AST (g2) G2 356
RMN cerebrale. AST (g3) G3 201 2156
OLI (g2) G4 128
OLI (g3) G5 91
GBM (g4) G6 339
2.3. Preprocesare, protocol de achiziție și selectarea caracteristicilor

Examinările imagistice au fost efectuate folosind un RMN de 1,5 T în conformitate cu un
protocol standardizat. Au fost obținute imagini ponderate T2 cu ecou rapid (2200-3200 / 80-
120 / 1, 2 pentru TR / TE / excitații; factor turbo = 2) cu o grosime a secțiunii de 5 mm.
Datele pacienților au fost inițial disponibile în format digital. Fiecare volum al creierului a
fost convertit într-un format de fișier (* .nii) a inițiativei de tehnologie informatică de
neuroimagistică (NIfTI) utilizând software-ul open-source micron 1 de la NITRC. În etapa de
preprocesare, numai zona creierului este segmentată utilizând software-ul Brain Suite18a.
Acest software poate funcționa în moduri automate și semi-automate. Software-ul detectează
automat craniul creierului pentru imagini RMN, având un raport semnal-zgomot superior
(SNR). În imaginile RMN în care raportul semnal-zgomot este redus, , parametrii (constanța
de difuzie și parametrii constanți ai muchiei) trebuie reglați manual până când craniul este
segmentat. Etapele procedurii de stripare a craniului sunt descrise în Figura. 4 (Tandel et al.,
2020).
FIG. 4. Procedura de segmentare a creierului: (a) porțiune de creier, (b) delimitarea craniului cu o suprapunere
de culoare verde, (c) creier segmentat cu o limită de suprapunere în culoare verde și (d) creier segmentat fără
craniu.
2.3.1. Mărirea datelor

Modelele DL au performanțe bune pe seturi de date mari (adică milioane de imagini), dar pe
seturi de date de dimensiuni mai mici poate apărea supra-adaptarea (Ragab et al., 2019).
Supra-adaptarea reprezintă situația în care modelul prezice corect etichete pe datele
cunoscute, dar nu reușește să identifice probele necunoscute. Din păcate, datele medicale
disponibile sunt limitate. Prin urmare, există o tehnică numită augmentare de date, care
mărește dimensiunea datelor din datele originale și minimizează efectul supra-adaptării. În
această lucrare, s-au adoptat operații de scalare și rotație a imaginilor pentru a efectua mărirea
datelor. În procesul de scalare, imaginile sunt scalate aleatoriu utilizând un factor de scalare
cuprins între 0,9 și 1,1. În plus, imaginile sunt rotite aleatoriu între unghiuri de -30 și 30 °.
Prin urmare, dimensiunea datelor este mărită de trei ori decât cea originală. În practica
generală și tendințe, protocoalele de augmentare nu sunt
:| 0256-592.303
..
.
adaptate în cadrul ML. Ele sunt de obicei menite să fie adaptate în cadrul DL. Ca rezultat,
accentul în acest studiu este de a aplica strategia de augmentare numai la protocoalele DL
(Tandel et al., 2020).
2.4. Metodologie
Modelul DL poate extrage automat caracteristici adecvate dintr-o imagine. Prin urmare, nu
este necesară definirea caracteristicilor din modelele DL, spre deosebire de modelele ML
unde selectarea caracteristicilor și extragerea din imagini reprezintă un aspect critic
(Banchhor et al., 2017), (Srivastava et al., 2019). Caracteristicile statistice de ordinul întâi și
al doilea sunt utilizate în mod obișnuit pentru multe aplicații de imagistică medicală în
proiectarea ML. Astfel, în acest studiu se utilizează următoarele caracteristici în protocoalele
ML: medie (m), varianță, deviație standard, asimetrie, claritatea vârfului curbei de distribuție
a frecvenței (kurtosis), contrast, energie, entropie, corelație și omogenitate (Bohmwald et al.,
2018), (Biswas et al., 2018).
În continuare se vor compara performanțele modelelor DL și ML, prin clasificarea datelor
tumorilor cerebrale multiparametrice. Prin urmare, s-au antrenat diverse modele ML și DL cu
corelate la datele cerebrale multiparametrice cu protocoale multiple de validare
încrucișată. Arhitectura locală a sistemului este prezentată în Figura 5. Această figură rezumă
mecanismul de lucru al întregului sistem. Imaginea RMN cerebrală este preprocesată folosind
segmentarea parțială (decuparea craniului), iar mărirea datelor se efectuează pe eșantioane de
antrenament pentru modelul DL. Mai mult, cele cinci seturi de date multiparametrice (P2, P3,
P4, P5 și P6) au fost proiectate din datele preprocesate. Toate seturile de date sunt partiționate
în probe de instruire și testare conform protocoalelor de validare încrucișată, care sunt
descrise mai jos. În mod similar, numărul de iterații de instruire a fost efectuat pe fiecare
model conform protocolului de validare încrucișată. Mai mult, modelele instruite au fost
testate pe probele de testare ale fiecărui set de date, iar rezultatele lor au fost prezise. La final,
performanța medie generală a sistemului pentru DL a fost comparată cu modelele ML (Tandel
et al., 2020).
:| 0256-592.303
..
.
RMN cerebral
Mărirea datelor Preprocesare Îndepartarea craniului
Date formatate
Predictie cu Predictie cu Predictie cu Predictie cu Predictie cu

2 parametrii 3 parametrii 4 parametrii 5 parametrii 6 parametrii
Numarul total de protocoale cu validare-încrucișată ( K2, K5, K10, TT)
CNN
Probe de Probe de
DT
antrenament testare
LD
NB
SVM
KNN Antrenare
Ensemble
Modele de
Testare
antrenament
Class-wise Model-wise CV protocol-wise

performance performance performance
FIG. 5. Arhitectura sistemului local de clasificare a tumorilor cerebrale cu multiparametrii.
Rețelele neuronale sau modelele de conectare există de ani de zile, dar noile arhitecturi și
aparaturile de calcul au adus modelele DL în prim-planul IA. DL nu este un singur algoritm,
ci o colecție de algoritmi și topologii care se pot aplica problemei pe o scară mai
largă. Tehnicile DL sunt un subset al ML, dar avantajul semnificativ al DL față de ML este că
poate extrage automat caracteristici adecvate din imaginile brute (LeCun et al., 2015) . Printre
cele mai populare modele de DL se gasesc rețelele neuronale convoluționale sau
convolutional neural network (CNN). CNN este cel mai utilizat model la scară largă pentru
clasificarea și procesarea imaginilor, a videoclipurilor și a limbajului natural (Shin et al.,
2016). Procesul de funcționare al acestor rețele constă în principal alcătuirea din mai multe
straturi, precum:
- Convoluții (prelucrarea semnalelor digitale)
- funcții de activare
- pooling
- straturi complet conectare (FC),
- dropout
- softmax
Operația de convoluție extrage caracteristicile de nivel scăzut și de nivel înalt din imagine
prin filtre sau nuclee adecvate. Deoarece operația de convoluție poate produce uneori valori
negative, se folosește funcția de activare pentru a elimina
:| 0256-592.303
..
.
valorile negative, evitând astfel neliniaritatea în model. Pooling-ul se efectuează după

operația de convoluție pentru a minimiza numărul de caracteristici. Se efectuează două
operațiuni majore de punere în comun, și anume max-pooling și media-pooling, care găsesc
valorile maxime și medii în timpul operațiunii de pooling. Stratul FC conectează neuronii a
două straturi ale rețelelor neuronale tradiționale. În cadrul acestui strat, se utilizeaza dropout-
ul, introdus pentru a evita supra-adaptarea, deconectând aleatoriu conexiunile neuronilor între
două straturi consecutive. La final, stratul softmax dă scorul probabilistic al fiecărei clase
între 0 și 1. Pe baza acestui scor maxim, eticheta va fi prezisă de CNN (Krizhevsky et al.,
2017).
Pentru reglarea modelelor CNN, cât și pentru a învața și a prezice sarcini noi, sunt utilizate
tehnici TL. Tehnica TL folosește cunoștințele anterioare sau experiența pentru a învăța și
prezice sarcini noi (Taylor și Stone, 2009). Procedura completă a TL este descrisă în Figura
6. În această procedură, stratul final de conectare (FC) al CNN este modificat conform
etichetelor disponibile ale tumorilor cerebrale pentru fiecare set de date separat. Cunoștințele
preinstruite de milioane de imagini naturale ( animale, flori, mobilier etc.) sunt păstrate drept
punct de plecare a modelului. Mai mult, acest model este instruit pe datele tumorilor cerebrale
folosind aceste cunoștințe inițiale.
Straturi Straturi Etichetele sursă

Model pre-antrenat Date din imagini naturale Straturi intermediare (câine, pisică, leu...)
FC FC
Transfer de Transferul datelor inițiale și ajustare

caracteristici precisă în timpul procesului de antrenare
Model re-antrenat Straturi Straturi

pentru noua atribuție Date RMN Straturi intermediare Etichetele țintă
FC FC
Noi straturi adaptate pentru a fi antrenate pe sarcini specifice
FIG. 6. Învățare prin transfer din imaginile naturale utilizate pentru clasificarea tumorilor cerebrale.
Metodologia constă în estimarea acurateței clasificării multiparametrilor în cadrul AI folosind

protocolul CV. Astfel, au fost proiectate cinci seturi de date multiparametrice relevante clinic
(P2, P3, P4, P5 și P6). Aceste seturi de date au fost utilizate pentru instruirea și testarea a șase
modele ML (DT, LD, NB, SVM, KNN și Ensemble) și un model DL (CNN - AlexNet) cu trei
protocoale CV (K2, K5, K10). Ca parte a protocolului de validare, s-a realizat protocolul TT,
unde probele din setul de testare sunt aceleași cu probele din setul de antrenament. Regula
protocoalelor CV este definită astfel:
- În protocolul K2, s-au format două seturi pentru fiecare set de date multiparametrice. Mai
mult, în fiecare set, 50% din probe au fost prelevate aleatoriu pentru antrenament, iar
restul de 50% au fost utilizate pentru testare.
- În protocolul K5, au fost create cinci partiții, cu 80% din probele utilizate pentru
antrenament și 20% pentru testare. Probele au fost luate aleatoriu în fiecare set.
- În protocolul K10 au fost create zece seturi aleatorii de probe de antrenament și testare, cu
90% din probe utilizate pentru antrenament și 10% pentru testare.
În cele din urmă, în protocolul TT, se creează un singur set în care probele de antrenament și
test sunt aceleași. Numărul total de iterații de instruire și testare a protocoalelor CV este
definit după cum urmează:
- K2: T (K2) = 2;
:| 0256-592.303
..
.
- K5: T (K5) = 5;
- K10: T (K10) = 10;
- TT: T (TT) = 1.
2.5. Performanța modelelor

Performanța fiecărui model a fost evaluată folosind acuratețea(𝜂𝒶𝒸𝒸 ), recall (ℛ𝒸 ), precizia
(𝒫𝓇 ), F-scor (ℱ𝓈 ) și zona de sub curbă (𝛼𝒜𝒰𝒞 ). Performanța sistemului general este evaluată
prin calcularea datelor acestor parametrii, cu ajutorul estimărilor pozitive, negative, fals-
pozitive (FP) și fals-negative (FN) (Tandel et al., 2020).
2.5.1. Protocolul experimental 1:
Obiectivul principal îl reprezintă compararea performanței strategiilor DL și ML folosind
protocoale CV în cadrul aplicării multiparametrice. Expresiile matematice ale acurateței medii
𝐷𝐿 𝐷𝐿 𝐷𝐿 𝐷𝐿 𝐷𝐿
ale modelelor ML și DL sunt exprimate în tabelul 3. 𝜂̅ 𝑃2 , 𝜂̅𝑃3 , 𝜂̅ 𝑃4 , 𝜂̅𝑃5 , 𝜂̅ 𝑃6 reprezintă
acuratețile medii ale modelului DL corespunzător seturilor de date P2, P3, P4, P5 și P6. În
𝑀𝐿 𝑀𝐿 𝑀𝐿 𝑀𝐿 𝑀𝐿
mod similar, 𝜂̅𝑃2 , 𝜂̅ 𝑃3 , 𝜂̅ 𝑃4 , 𝜂̅ 𝑃5 , 𝜂̅ 𝑃6 și sunt acuratețile medii ML ale seturilor de date P2,
P3, P4, P5 și respectiv P6. Simbolul 𝜂̅reprezintă acuratețea medie, DL sau ML reprezintă
tipul de model IA, iar P2 – P6 este numărul de parametrii din protocol. Funcțiile de precizie
medie utilizează următoarele variabile ca argumente:
- mt: numărul modelului,
- ct: tipul clasei
- k: protocolul CV
- t: numărul de iterație de antrenament
- AlexNet: modelul unic DL
- K: numărul total de protocoale CV,
- M: numarul total de modele ML
- T: numărul total de iterații de antrenament conform regulii protocolului CV (T (K2) = 2, T
(K5) = 5, T (K10) = 10) (Tandel et al., 2020).
TABELUL 3. Acuratețea medie a șase modele ML și un model DL, folosind patru protocoale CV.
Setul Acuratețea medie DL Acuratețea medie ML
de
date
P2 𝑇(𝑘) 𝐾 𝑇(𝑘)
𝐷𝐿
∑𝐾
𝑘=1 ∑𝑡=1 𝜂(𝐴𝑙𝑒𝑥𝑁𝑒𝑡, 𝑃2, 𝑘, 𝑡) 𝑀𝐿
∑𝑀
𝑚𝑡=1 ∑𝑘=1 ∑𝑡=1 𝜂(𝑚𝑡, 𝑃2, 𝑘, 𝑡)
𝜂̅ 𝑃2 = 𝜂̅𝑃2 =
𝐾 × 𝑇(𝑘) 𝑀 × 𝐾 × 𝑇(𝑘)
P3 𝑇(𝑘) 𝑇(𝑘)
𝐷𝐿
∑𝐾
∑𝑀 𝐾
𝑚𝑡=1 ∑𝑘=1 ∑𝑡=1 𝜂(𝑚𝑡, 𝑃3, 𝑘, 𝑡)
𝜂̅ 𝑃3 = 𝜂̅𝑃3 =
𝐾 × 𝑇(𝑘) 𝑀 × 𝐾 × 𝑇(𝑘)
𝑇(𝑘) 𝑇(𝑘)
P4
𝐷𝐿 =
∑𝐾
𝑘=1 ∑𝑡=1 𝜂(𝐴𝑙𝑒𝑥𝑁𝑒𝑡, 𝑃4, 𝑘, 𝑡) 𝑀𝐿 =
∑𝑀 𝐾
𝑚𝑡=1 ∑𝑘=1 ∑𝑡=1 𝜂(𝑚𝑡, 𝑃4, 𝑘, 𝑡)
𝜂̅ 𝑃4 𝜂̅𝑃4
𝐾 × 𝑇(𝑘) 𝑀 × 𝐾 × 𝑇(𝑘)
P5
𝐷𝐿
∑𝐾
∑𝑀 𝐾
𝑚𝑡=1 ∑𝑘=1 ∑𝑡=1 𝜂(𝑚𝑡, 𝑃5, 𝑘, 𝑡)
𝜂̅ 𝑃5 = 𝜂̅𝑃5 =
𝐾 × 𝑇(𝑘) 𝑀 × 𝐾 × 𝑇(𝑘)
P6
𝐷𝐿
∑𝐾
∑𝑀 𝐾
𝑚𝑡=1 ∑𝑘=1 ∑𝑡=1 𝜂(𝑚𝑡, 𝑃6, 𝑘, 𝑡)
𝜂̅ 𝑃6 = 𝜂̅𝑃6 =
𝐾 × 𝑇(𝑘) 𝑀 × 𝐾 × 𝑇(𝑘)
:| 0256-592.303
..
.
2.5.2. Protocolul experimental 2:

Protocolul experimental 2 este folosit pentru schimbarea K în timp ce se utilizează toate
clasificatoarele, prin compararearea sistemelor DL și ML. Au fost adoptate trei seturi de
protocoale CV (K2, K5 și K10). Pentru protocolul de benchmarking, s-a luat în considerare
protocolul TT. Expresia matematică a preciziei medii a fiecărui protocol CV pentru modelele
𝐷𝐿 𝐷𝐿 𝐷𝐿
DL și ML este exprimată în tabelul 4, unde 𝜂̅𝐾2 , 𝜂̅ 𝐾5 , 𝜂̅ 𝐾10 și 𝜂̅ 𝐷𝐿
𝑇𝑇 reprezintă acuratețile medii
ale modelului DL folosind protocoalele CV K2, K5, K10 și respectiv TT. În mod similar,
𝑀𝐿 𝑀𝐿 𝑀𝐿
unde 𝜂̅ 𝐾2 , 𝜂̅ 𝐾5 , 𝜂̅ 𝐾10 și 𝜂̅ 𝑀𝐿
𝑇𝑇 sunt acuratețile medii ale modelelor ML cu protocoalele CV K2,
K5, K10 și respectiv TT. Pentru scrierea și proiectarea ecuațiilor se folosește același set de
variabile (Tandel et al., 2020).
TABELUL 4. Expresia matematică a preciziei medii a fiecărui protocol de validare-încrucișată: ML vs. DL.
ProtocoAcuratețea medie DL Acuratețea medie ML
l CV
K2
𝐷𝐿
∑𝐶𝑐𝑡=1 ∑𝑇(𝐾2)
𝑡=1 𝜂(𝐴𝑙𝑒𝑥𝑁𝑒𝑡, 𝑐𝑡, 𝐾2, 𝑡) 𝑀𝐿
∑𝑀 𝐶 𝑇(𝐾2)
𝑚𝑡=1 ∑𝑐𝑡=1 ∑𝑡=1 𝜂(𝑚𝑡, 𝑐𝑡, 𝐾2, 𝑡)
𝜂̅𝐾2 = 𝜂̅𝐾2 =
𝐶 × 𝑇(𝐾2) 𝑀 × 𝐶 × 𝑇(𝐾2)
K5
𝐷𝐿
∑𝐶𝑐𝑡=1 ∑𝑇(𝐾5)
𝑡=1 𝜂(𝐴𝑙𝑒𝑥𝑁𝑒𝑡, 𝑐𝑡, 𝐾5, 𝑡) 𝑀𝐿
∑𝑀 𝐶 𝑇(𝐾5)
𝑚𝑡=1 ∑𝑐𝑡=1 ∑𝑡=1 𝜂(𝑚𝑡, 𝑐𝑡, 𝐾5, 𝑡)
𝜂̅𝐾5 = 𝜂̅𝐾5 =
𝐾 × 𝑇(𝐾5) 𝑀 × 𝐶 × 𝑇(𝐾5)
𝑀𝐿
K10
𝐷𝐿
∑𝐶𝑐𝑡=1 ∑𝑇(𝐾10)
𝑡=1 𝜂(𝐴𝑙𝑒𝑥𝑁𝑒𝑡, 𝑐𝑡, 𝐾10, 𝑡) 𝜂̅ 𝐾10
𝜂̅𝐾10 = ∑𝑀 𝐶 𝑇(𝐾10)
𝐾 × 𝑇(𝐾10) 𝑚𝑡=1 ∑𝑐𝑡=1 ∑𝑡=1 𝜂(𝑚𝑡, 𝑐𝑡, 𝐾10, 𝑡)
=
𝑀 × 𝐶 × 𝑇(𝐾10)
TT ∑𝐶𝑐𝑡=1 ∑𝑇(𝑇𝑇)
𝑡=1 𝜂(𝐴𝑙𝑒𝑥𝑁𝑒𝑡, 𝑇𝑇, 𝑘, 𝑡)
∑𝑀 𝐶 𝑇(𝑇𝑇)
𝑚𝑡=1 ∑𝑐𝑡=1 ∑𝑡=1 𝜂(𝑚𝑡, 𝑐𝑡, 𝑇𝑇, 𝑡)
𝜂̅ 𝐷𝐿
𝑇𝑇 = 𝜂̅ 𝑀𝐿
𝑇𝑇 =
𝐾 × 𝑇(𝑇𝑇) 𝑀 × 𝐶 × 𝑇(𝑇𝑇)
2.5.3. Protocol experimental 3:

Obiectivul acestui protocol experimental este reprezentat de testarea capacității de separare a
fiecărui clasificator sau model de instruire pe trei seturi de protocoale CV și cinci seturi de
date multiparametrice față de protocolul TT. Pentru aceasta, s-au folosit șapte modele de
antrenament, și anume un model DL (CNN - AlexNet) și șase modele ML (DT, LD, NB,
SVM, KNN și Ensemble) (Tandel et al., 2020).
În acest protocol experimental sunt comparate performanțele medii ale sistemelor DL și ML.
Acuratețea medie a sistemelor DL și ML este definită în tabelul 5.
𝐷𝐿
Precizia medie a sistemului DL (𝜂̅ 𝑠𝑦𝑠 ) a fost calculată pe un singur model DL AlexNet, cinci
seturi de date multiparametrice și trei protocoale CV. În mod similar, precizia medie a
𝑀𝐿
sistemului ML a fost calculat pe șase clasificatoare ML (𝜂̅ 𝑠𝑦𝑠 ) , cinci seturi de date
multiparametrice și trei protocoale CV. Restul parametrilor de performanță au fost evaluați
folosind formule similare pentru acest protocol experimental (Tandel et al., 2020).
TABELUL 5. Expresiile matematice ale acurateței medii a sistemelor ML și DL. [6]

Acuratețea medie a sistemului DL Acuratețea medie a sistemului DL
∑𝐶 ∑𝐾 ∑𝑇(𝑘) 𝜂(𝐴𝑙𝑒𝑥𝑁𝑒𝑡, 𝑐𝑡, 𝑘, 𝑡)
𝐷𝐿 = 𝑐𝑡=1 𝑘=1 𝑡=1
∑𝑀 ∑𝐶 ∑𝐾 ∑𝑇(𝑘) 𝜂(𝑚𝑡, 𝑐𝑡, 𝑘, 𝑡)
𝜂̅ 𝑠𝑦𝑠 𝑀𝐿 = 𝑚𝑡=1 𝑐𝑡=1 𝑘=1 𝑡=1
𝜂̅𝑠𝑦𝑠
𝐶 × 𝐾 × 𝑇(𝑘) 𝑀 × 𝐶 × 𝐾 × 𝑇(𝑘)
:| 0256-592.303
..
.

Acesta calculează performanța DL (AlexNet) cu paradigma multiparametrică pentru K.
Performanțele medii ale modelului optim (CNN - AlexNet) au fost comparate între cinci
seturi de date multiparametrice (P2 – P6) și trei protocoale de formare (K2, K5, K10) și
comparate cu protocolul TT. Formula de calcul a mediei este prezentată în ecuația din tabelul
3 (Tandel et al., 2020).
:| 0256-592.303
..
.
3. REZULTATE ȘI DISCUȚII
3.1. Parametrii de instruire ai modelului DL

În CNN, selectarea parametrilor de antrenament este importantă pentru a obține performanțe
superioare. Parametrii de instruire care influențează puternic performanța modelului sunt
protocolul de partiționare a datelor, epocile, rata de învățare și dimensiunea lotului. Protocolul
CV verifică capacitatea modelului de a prezice datele neidentificate, ceea ce ajută la
prevenirea supra-adaptării (Tandel et al., 2020).
Epoca este un ciclu în care se utilizează toate datele de antrenament pentru a actualiza
dimensiunea rețelei. Performanța modelului se îmbunătățește odată cu creșterea numărului de
epoci. Pentru a evita timpii lungi de antrenament, s-a folosit o rată de 100 de cicluri, care este
comparabilă cu standardul industrial. Dimensiunea lotului reprezintă un subset al probelor
totale de antrenament. Numărul de iterații al fiecărui ciclu este calculat prin împărțirea
probelor totale la dimensiunea lotului. Dimensiunea lotului poate fi cuprinsă între unu și
numărul maxim al probelor de antrenament. Dimensiunea lotului este invers proporțională cu
numărul de iterații dintr-o singură epocă, prin urmare, dacă dimensiunea lotului este mare,
numărul de iterații pe epocă este mai mic și invers, așadar, DL poate îmbunătăți procesul de
învățare a caracteristicilor. De aceea, dimensiunea lotului a fost menținută la 10.
În general, rețelele neuronale convoluționale folosesc algoritmul SGD pentru a actualiza
dimensiunile rețelei neuronale. Rata de învățare e rata de schimbare a dimensiunii rețelei
neuronale, care poate fi definită între 0 și 1. O rată mică de învățare permite memorarea mai
bună a caracteristicilor modelului, dar sunt necesare mai multe epoci și invers. Pentru
memorarea mai bună a caracteristicilor modelului se pastrează o rată minimă de învățare de
„0,0001”, ceea ce ajută la memorarea mai bună a caracteristicilor modelului.
Pentru a analiza vizual modelele DL și ML, este folosită platforma Matlab2019a. În plus,
toate experimentele au fost efectuate pe un procesor Core i3, 2,5 GHz, cu 4 GB RAM,
folosind modelul CNN-ul AlexNet pre-instruit (Tandel et al., 2020).
3.1.1. Rezultatele protocolului experimental 1
În acest protocol experimental, performanțele seturilor de date P2, P3, P4, P5 și P6 au fost
evaluate cu trei protocoale de antrenament (K = 3), un model DL (AlexNet) și șase modele
ML (M=6: Decision Tree, Linear Discrimination, Naive Bayes, SVM, KNN, și
Ensemble). Expresiile matematice ale preciziei medii a modelelor DL și ML pentru fiecare set
de date multiparametrice sunt prezentate în Tabelul 3. Restul parametrilor de performanță au
fost calculați folosind formule similare (Tandel et al., 2020).
Comparația performanței ML și DL a celor cinci seturi de date este prezentată în Figura
7. Cea mai bună performanță de clasificare a fost observată între imaginile cerebrale normale
și cele anormale (tumorale) folosind modelul DL (Alexnet). Rezultatele sunt următoarele:
acuratețea=100%, recall=100%, precizie=100%, F-scor=100% și ASC = 1 (p <0,0001). plus,
Performanța medie a tuturor celor șase modele ML a fost mai mică decât modelul DL,
rezultatele fiind: acuratețea=97%, recall=99,48%, precizie=99,46%, F-scor=99,38% și
ASC=1 (p <0,0001). Performanțele clasice în ordine crescătoare au fost P5 <P6 <P4 <P3 <P2.
:| 0256-592.303
..
.
100
80
Date multiparametrice
60 P6
Performanța %
40
P4
20
P2
0
DL ML DL ML DL ML DL ML
Acuratețe Recall Precizie F-score
P2 100 97 100 99.48 100 99.46 100 99.38
P3 95.97 78.54 94.85 78.84 94.75 78.94 94.8 78.89
P4 96.65 75.13 94.17 69.49 95.41 74.8 94.78 71.01
P5 87.14 45.21 84.4 53.67 89.57 54.91 86.89 53.89
P6 93.74 69.62 91.51 65.62 92.46 66.9 91.97 65.95
FIG. 7. Comparație de performanță în funcție de date: ML vs. DL

Obiectivul acestui protocol experimental a fost observarea impactului de performanță al
protocoalelor CV (K2, K5, K10) pe cinci seturi de date cu multiparametrii, șase modele de
antrenament ML și unul DL, cu benchmarking față de protocolul TT. Precizia medie este
calculată prin formulele matematice prezentate în tabelul 4. Performanța medie a fiecărui
protocol CV pe cele cinci seturi, folosind ML și DL, precum și performanța comparativă a
protocoalelor CV sunt prezentate în Figura 8. Performanța DL este mai avansată decât
performanța medie ML pentru toate protocoalele CV. Performanța se îmbunătățește pe
măsură ce valoarea K crește (K2 <K5 <K10 <TT) (Tandel et al., 2020).
100
90
80
Performanța %
70
60
Protocoalele CV
50
40
30 K10
20
10
K2
0
DL ML DL ML DL ML DL ML
Acuratețe Recall Precizie F-score
K2 92.75 71.86 91.08 70.85 93.12 83.93 92.07 86.21
K5 95.01 73.42 92.75 74.94 94.11 86.04 93.41 88.25
K10 96.33 74.02 95.13 74.48 96.08 87.21 95.59 89.7
TT 99.51 80.38 99.55 86.73 99.59 93.16 99.57 95.72
FIG. 8. Protocolul CV în comparație cu performanța medie: MLvs. DL.
:| 0256-592.303
..
.

Aici au fost observate și comparate performanțele medii ale modelelor de antrenament sau
clasificatorilor (CNN-AlexNet, DT, LD, NB, SVM, KNN și Ensemble) pe cinci date
multiparametrice și trei protocoale CV. Performanțele sunt, de asemenea, comparate cu
protocolul TT. Expresia matematică a preciziei medii în funcție de model este prezentată în
Tabelul 4, iar restul performanțelor sunt calculate prin formule similare. Performanța
comparativă a fiecărui model de antrenament este prezentată și exprimată grafic în Figura 9.
Se observă că modelul DL (CNN) a obținut cea mai mare performanță medie de clasificare
(acuratețe=94,70%, recall=92,99%, precizie=94,44%, F-scor=93,69%) pe cele cinci seturi de
date și cele trei protocoale CV, în comparație cu modelele ML. SVM a obținut cea mai mare
performanță medie (acuratețe=77,29%, recall=80,68%, precizie=76,06%, F-scor=77,79%)
dintre toate modelele ML. Performanțele în funcție de model au fost, în ordine crescătoare:
Ansamblu <NB <DT <LD <KNN <SVM <CNN (Tandel et al., 2020).
100
90
Parametrii de performanță
80
70
60
50
Performanța %
40
30 F-Score (%)
20 Precizie (%)
10 Recall (%)
Acuratețe(%)
0
CNN Decisio Linear Naive SVM KNN Ensemb
(AlexNe n Tree Discrimi Bayes le
t) nation
Acuratețe(%) 94.7 72.5 76.61 66.54 77.29 75.57 69.51
Recall (%) 92.99 71.72 72.74 61.75 80.68 76.95 76.6
Precizie (%) 94.44 72.42 75.85 73.49 76.06 76.39 75.72
F-Score (%) 93.69 71.96 74.04 66.28 77.79 76.66 76.12
FIG. 9. Comparația performanței medie la nivel de model: ML vs. DL

Pentru compararea performanței medii ale sistemelor ML și DL, au fost calculate mediile
generale ale stistemelor modelelor ML și DL, folosind cinci seturi de date și trei protocoale
CV. Expresia matematică a precizii medii ale sistemelor ML și DL este dată în tabelul 5.
Restul parametrilor de performanță sunt calculați utilizând formule similare. Performanțele
medii globale ale sistemului ML și DL sunt comparate în Tabelul 6. S-a constatat că media
sistemului general al DL a fost mai mare decât cea a ML pentru toți parametrii. Îmbunătățirile
performanței DL față de ML sunt: acuratețea mai mare cu 22,81%, recall-ul mai mare cu
21,04%, precizie ridicată cu 20,58% iar F-scor cu 21,20% (Tandel et al., 2020).
TABELUL 6. Media sistemelor ML și DL asupra 5 date multiparametrice și 3 protocoale CV
:| 0256-592.303
..
.
Parametrii de Media DL Media ML Îmbunătățirea DL

performanță (%) (%) față de ML (%)
Acuratețe(%) 94,70 73,10 22,81
Recall (%) 92,99 73,42 21,04
Precizie(%) 94,44 75,00 20,58
F-Scor (%) 93,69 73,82 21,20
3.1.5. Rezultatele protocolului experimental 5 :

Rezultatele performanței DL (AlexNet) pentru modelul multriparametric având K cu valori
diferite s-au calculat comparând acuratețea a cinci seturi de date multiparametrice din trei
protocoale CV cu modelul de antrenament optim (CNN - AlexNet), comparat cu protocolul
TT. Matricea de performanță și graficul 3D sunt descrise în figura 10. Modelul DL a obținut
cea mai mare acuratețe (100%) pentru P2 (date din doi parametrii) și cea mai mică
acuratețe(82,14%) pentru P5 (date din cinci parametrii). Acuratețea seturilor de date, în ordine
crescătoare, este următoarea: P5 <P6 <P3 <P4 <P2. În mod similar, precizia protocolului, în
ordine crescătoare, este: K2 <K5 <K10 <TT (Tandel et al., 2020).
100
90
80
Acuratețe %
70
60
Protocoalele CV
50 TT
40
30 K10
20 K5
10 K2
0
P2 P3 P4 P5 P6
K2 100 94.89 95.84 82.14 91.25
K5 100 96.56 96.76 87.68 94.07
K10 100 96.46 97.36 91.61 97.04
TT 100 99.86 99.54 98.21 99.95
FIG. 10. Precizia optimă a modului de antrenament: parametrii vs. protocoale CV.
Pentru a justifica mecanismul de lucru al modelului de antrenament (CNN - AlexNet) a fost

verificat modelul optim pentru a fi siguri că modelul are o performanță ridicată și produce
aceleași performanțe și în alte domenii ale seturilor de date. Pentru aceasta, s-a verificat cel
mai performant model (CNN - AlexNet) pe date naturale de opt parametrii, cuprinzând
următorii parametrii: avion, mașină, pisică, câine, floare, persoană, fruct și motocicletă.
Experimentul a fost efectuat în condiții experimentale similare pentru clasificarea tumorilor
cerebrale. Cele trei protocoale CV (K2, K5 și K10) au fost utilizate și comparate cu protocolul
TT pe aceleași probe de antrenament și de testare. Performanța a fost evaluată în termeni de
acuratețe, recall, precizie, F-scor. Modelul a arătat performanțe înalte de clasificare pentru
toate protocoalele CV. Cea mai mare precizie ( 99,20% ) a fost obținută cu protocolul K10 și
cea mai mică ( 98,50%) cu protocolul K2. Precizia
:| 0256-592.303
..
.
protocoalelor CV în ordine crescătoare a fost K2: 98,50%; K5 = 99,16%; și K10 =

99,20; protocolul TT a obținut o precizie de 100% pe aceleași probe de antrenament și testare,
ceea ce face ca modelul DL CNN (AlexNet) să funcționeze bine atât pe seturile de date
medicale, cât și pe cele naturale (Tandel et al., 2020).
3.2. Discuții
Obiectivul principal a fost analizarea instrumentului CAD non-invaziv automat pentru a
detecta tumorile cerebrale și a estima gradul acestora. Acesta a fost un studiu cuprinzător care
vizează proiectarea unui sistem de gradare al tumorii (TGS) cu multiparametrii, folosind o
strategie bazată pe TL. Acuratețea TGS a fost calculată utilizând protocoale CV atât pentru
seturi de date echilibrate, cât și pentru cele neechilibrate. S-a demonstrat că acuratețea medie
a modelului DL (CNN - AlexNet) este superioară mediei a șase modele ML (cu 22,81%).
Această validare a fost efectuată folosind o cohortă de 130 de pacienți, adaptând protocoalele
de partiție K2, K5 și K10 într-un total de 17 studii (Tandel et al., 2020).
Seturile de date disponibile au fost dezechilibrate în ceea ce privește eticharea parametrilor.
De exemplu, setul de date P2 are dimensiuni ale eșantionului aproximativ egale în ambii
parametrii (normal: 1041; tumoral: 1091), în timp ce în setul de date P5, s-a observat o
diferență semnificativă între probe (AST (g2) = 356, AST (g3) = 201, OLI (g2) = 128, OLI
(g3) = 91, GBM (g4) = 339). În ciuda acestui dezechilibru, IA-TL a reușit să regleze
dinamica, asigurând o precizie mai mare cu diferite protocoale de partiție (Tandel et al.,
2020).
De asemenea, proiectarea unui CNN corespunzator reprezintă un proces foarte amplu,
necesitând mai multe iterații, căt și optimizarea timpului pentru cea mai bună selecție a
portiunilor (Anaraki, et al., 2019). Prin urmare, utilizarea modelelor existente (cum ar fi
LetNet, VGGNet, AlexNet, GoogLeNet etc.) pentru mecanismul de notare este o soluție
alternativă. Din cauza faptului că datele medicale limitate reprezintă un obstacol și împiedică
modalitatea de clasificare atunci când se utilizează paradigme DL, s-a proiectat o rețea CNN
pre-instruită cu tehnica TL, rezolvând problema aceasta. TL s-a dovedit a fi constructiv pentru
a transfera cunoștințele (sub formă de caracteristici) învățate dintr-o cantitate mare de baze de
date naturale în sarcini medicale (Pan et al., 2010). Mai mult, studiile de literatură întăresc
faptul că că o rețea preinstruită funcționează mai bine decât o rețea care a fost antrenată de la
zero și apoi optimizată (Yang et al., 2018).
Deși DL funcționează bine pe seturi de date mari, este foarte dificilă obținerea datelor
medicale etichetate de înaltă calitate, din cauza problemelor de confidențialitate și a
cheltuielilor mari implicate în colectarea datelor. Această limitare poate fi evitată folosind
modele care au fost instruite în prealabil folosind tehnici TL, care poate fi utilizat și pentru
selectarea parametrilor care este dificilă în general. Modelele DL au nevoie, de asemenea, o
putere de calcul mare și, prin urmare, necesită GPU-uri, solutie care duce la creșterea
costurilor. O soluție pentru rezolvarea acestui impediment e reprezentată de utilizarea
modelului AlexNet. De asemenea, procesul de overfitting este o altă problemă majoră dacă
modelul DL este instruit pe date limitate. În cazul de față, modelul arată o acuratețe maximă a
datelor disponibile, dar nu reușește să identifice datele nevăzute, astfel încât modelul nu
reușește să generalizeze problema. În consecință, modelul prezintă performanțe slabe atunci
când este utilizat în scenarii din viața reală (Yang et al., 2018).
Din fericire, există multe soluții pentru a minimiza procesul de overfitting, cum ar fi TL sau
mărirea datelor. În această metodă, probele de antrenament sunt mărite folosind operații de
răsucire și rotație.Algoritmii DL funcționează bine pe date mari pentru a regla corect datele.
În contrast, performanța algoritmilor tradiționali ML scade odată cu creșterea dimensiunii
datelor. Selectarea caracteristicilor este un criteriu critic în tehnicile ML. Performanța
:| 0256-592.303
..
.
modelelor va depinde de cât de exact sunt identificate și extrase caracteristicile. Algoritmii

DL au capacitatea de a extrage caracteristici adecvate și de a învăța automat din date fără
intervenția umană. Modelul DL poate extrage caracteristici esențiale care nu pot fi vizibile
pentru ochiul uman. Prin urmare, metodele DL depășesc modelele ML în diferite domenii ale
viziunii și clasificării computerizate.
În absența unor date similare despre gradul tumorilor cerebrale, acest studiu se limitează la
datele unui singur institut, dar cercetarea poate fi extinsă și mai mult. Mai mult, studiul a
utilizat un singur protocol de date RMN T2W. Prin încorporarea mai multor protocoale RMN
(cum ar fi T1W, T1W – C, FLAIR etc.), sau a diferitelor metode imagistice precum CT,
razele X sau ultrasunetele, se pot obține informații mai sistematice despre caracteristicile
tumorii. Mai mult, acesta metoda de instruire ar putea fi folosită și în studiile referitoare la
modul în care virusul SARS-COV-2 cauzează probleme la nivel cerebral și poate reduce
timpul de diagnostic, crescând astfel și acuratețea rezultatelor și ale interpretărilor.
:| 0256-592.303
..
.
4. CONCLUZIE
Modelele de învățare în profunzime nu pot înlocui niciodată medicii și experții radiologi, dar
pot avea un impact important asupra procesului de automatizare în procesarea și analiza
imaginilor. Tehnicile asistate de computer pentru analiza imaginilor medicale au crescut
semnificativ în ultima vreme, contribuind la cercetarea medicală și la aplicațiile clinice.
Progresele recente vis-a-vis de învățarea în profunzime au arătat o optimizare continuă a
procesului de segmentare a regiunilor de leziuni cerebrale din creier. De asemenea, există
perspective remarcabile de cercetare și în exploatarea metodelor și arhitecturilor discutate mai
sus, pentru a rezolva probleme complexe de segmentare a imaginii. În prezent, algoritmii de
segmentare bazați pe învățarea în profunzime sunt limitați de factori, precum overfitting-ul,
din cauza insuficienței datelor, a timpului de instruire și a resurselor. Dacă sunt concepute
metode eficiente pentru a depăși aceste limitări, învățarea în profunzime poate crea cu
siguranță mai multe descoperiri în domeniul imagisticii medicale.
De asemenea, testele standard de diagnosticare a cancerului, precum biopsiile, necesită mult
timp, sunt supuse unor variații între observatori și sunt predispuse la risc. În plus, presiunea
asupra histopatologilor crește pe măsură ce crește și numărul pacienților cu cancer. Prin
urmare, DAC neinvaziv și automat amintit în aceasta lucrare, este instrumentul potrivit pentru
ca împreuna cu metoda bazată pe TL-IA pentru clasificarea tumorilor cerebrale prin
intermediul imaginii RMN, să ofere cel mai precis și rapid diagnostic. Un aspect important
este utilizarea metodelor multiparametrice pentru clasificarea tumorilor cerebrale. Astfel, au
fost proiectate instruite și testate cinci seturi de date multiparametrice, relevante din punct de
vedere clinic, pe șapte modele de tehnici de învățare în profunzime și învătare automată,
utilizând trei protocoale de partiționare a datelor (K2, K5, și K10) puse în comparație cu
protocolul TT. Modelul DL CNN (AlexNet) a depășit toate celelalte clasificatoare de învățare
automată pentru toate seturile de date.
Am observat ca visurul SARS-COV-2 duce la leziuni ale creierului prin patru căi (neuronale,
hipoxie, SAAR și imune). Drept urmare, tehnicile de imagistică trebuie efectuate urmând
măsuri de precauție adecvate, în funcție de nivelul de risc asociat simptomelor pacientului.
Deși imagistica medicală ar putea spori semnificativ șansele de supraviețuire ale unui pacient,
deficitul de radiologi instruiți limitează utilizarea acestuia. Astfel, tehnicile AI, sunt esențiale
pentru a accelera evaluările și diagnosticele bazate pe imagistica medicală, cu atat mai mult
cu cât COVID-19 cauzează pericole severe pentru sănătate pacienților cu comorbidități.
Pentru aceasta, consider că folosirea tehnicii bazată pe TL-IA poate chiar salva vieți, deoarece
sistemul este capabil să stabilească gradul de deteriorare al țesutului cauzat de o infecție
COVID-19. De asemenea, necunoscând amplitudinea pe care pandemia cu SARS-COV-2 o
poate avea, este imposibilă examinarea și diagnosticarea tuturor imaginilor medicale din
cauza numărului limitat de radiologi și a resurselor medicale rare. În acest sens, imagistica
medicală bazată pe AI poate fi utilizată pentru a examina și diagnostica pacienții cu COVID-
19 și pentru a ajuta la stratificarea riscului.
:| 0256-592.303
..
.
1. BIBLIOGRAFIE
1. Acharya U.R., Mookiah M.R.K., Vinitha Sree S., Afonso D., Sanches J., Shafique S.,
Nicolaides A., Pedro L.M., Fernandes e Fernandes J., Suri, J.S. 2013. Atherosclerotic
plaque tissue characterization in 2D ultrasound longitudinal carotid scans for automated
classification: a paradigm for stroke risk assessment. Medical & Biological Engineering
& Computing. 51(5), 513–523.
2. Acharya U.R., Swapna G., Sree S.V., Molinari F., Gupta S., Bardales R.H., Witkowska
A., Suri J.S. 2014. A Review on Ultrasound-Based Thyroid Cancer Tissue
Characterization and Automated Classification. Technology in Cancer Research &
Treatment. 13(4), 289–301.
3. Alam F., Rahman S.U., Ullah S., Gulati K. 2018. Medical image registration in image
guided surgery: Issues, challenges and research opportunities. Biocybernetics and
Biomedical Engineering. 38:71–89.
4. Anaraki A., 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. 39:63–74.
5. Banchhor S.K., Londhe N.D., Araki T., Saba L., Radeva P., Laird J.R., Suri J.S. 2017.
Wall-based measurement features provides an improved IVUS coronary artery risk
assessment when fused with plaque texture-based features during machine learning
paradigm. Computers in Biology and Medicine. 91, 198–212.
6. Bauer S., Wiest R., Nolte L.P., Reyes M. 2013. A survey of MRI-based medical image
analysis for brain tumor studies. Physics in Medicine and Biology. 58:R97–R129.
7. Berger A. 2002. How does it work?: Magnetic resonance imaging. BMJ. 324:35–35.
8. Beutel J., Kundel H.L., Van R.L. 2000. Handbook of medical imaging. Society Of Photo-
Optical Instrumentation Engineers. Vol. 1.
9. Biswas M., Kuppili V., Edla D.R., Suri H.S., Saba L., Marinhoe R.T., Sanches J.M., Suri
J.S. 2018. Symtosis: A liver ultrasound tissue characterization and risk stratification in
optimized deep learning paradigm. Computer Methods and Programs in Biomedicine.
155, 165–177.
10. Biswas M., Kuppili V., Saba L., Edla D. R., Suri H.S., Sharma A., Cuadrado-Godia E.,
Laird J.R., Nicolaides A., Suri J.S. 2018. Deep learning fully convolution network for
lumen characterization in diabetic patients using carotid ultrasound: a tool for stroke risk.
Medical & Biological Engineering & Computing. 57(2), 543–564.
11. Bohmwald K., Gálvez N.M.S., Ríos M., Kalergis A.M. 2018. Neurologic Alterations Due
to Respiratory Virus Infections. Frontiers in Cellular Neuroscience 12.
12. Ce este inteligența artificială și cum este utilizată? 2020. Parlamentul European. Accesat
10 Mar 2021.
13. Chan J.F.W., Yuan S., Kok K.H., To K.K.W., Chu H., Yang J., Xing F., Liu J., Yip
C.C.Y., Poon R.W.S., Tsoi H.W., Lo S.K.F., Chan K.H., Poon V. K.M., Chan W.M., Ip
J.D., Cai J.P., Cheng V.C.C., Chen H., Hui C.K.M. 2020. A familial cluster of pneumonia
associated with the 2019 novel coronavirus indicating person-to-person transmission: a
study of a family cluster. The Lancet. 395(10223).
14. Chen N., Zhou M., Dong X., Qu J., Gong F., Han Y., Qiu Y., Wang J., Liu Y., Wei Y.,
Xia J., Yu T., Zhang X., Zhang L. 2020. Epidemiological and clinical characteristics of 99
cases of 2019 novel coronavirus pneumonia in Wuhan, China: a descriptive study. The
Lancet. 395(10223).
15. Collingwood J.F., Adams F. 2017. Chemical imaging analysis of the brain with X-ray
:| 0256-592.303
..
.
methods. Spectrochimica Acta Part B: Atomic Spectroscopy. 130:101–118.

16. Deepika K., Savita G. 2020. Advances in computational techniques for biomedical image
analysis : methods and applications. London Academic Press.
17. El-Baz A., Suri J.S. 2019. Level Set Method in Medical Imaging Segmentation. CRC
Press.
18. Hamming I., Timens W., Bulthuis M., Lely A., Navis G., Goor H. 2004. Tissue
distribution of ACE2 protein, the functional receptor for SARS coronavirus. A first step in
understanding SARS pathogenesis. The Journal of Pathology. 203(2), 631–637.
19. Havaei M., Davy A., Warde-Farley D., Biard A., Courville A., Bengio Y., Pal C., Jodoin
P.M., Larochelle H. 2017. Brain tumor segmentation with Deep Neural Networks.
Medical Image Analysis. 35, 18–31.
20. Hoffmann M., Kleine-Weber H., Schroeder S., Krüger N., Herrler T., Erichsen S.,
Schiergens T.S., Herrler G., Wu N.H., Nitsche A., Müller M.A., Drosten C., Pöhlmann S.
2020. SARS-CoV-2 Cell Entry Depends on ACE2 and TMPRSS2 and Is Blocked by a
Clinically Proven Protease Inhibitor. Cell. 181(2).
https://www.europarl.europa.eu/news/ro/headlines/society/20200827STO85804/ce-este-
inteligenta-artificiala-si-cum-este-utilizata
21. Kaul V., Enslin S., Gross S.A. 2020. History of artificial intelligence in medicine.
Gastrointestinal Endoscopy. 92:807–812.
22. Kevin Z. 2019. Handbook of Medical Image Computing and Computer Assisted
Intervention. Academic Press
23. Khawaldeh S., Pervaiz U., Rafiq A., Alkhawaldeh R. 2017. Noninvasive Grading of
Glioma Tumor Using Magnetic Resonance Imaging with Convolutional Neural Networks.
Applied Sciences 8:27.
24. Krizhevsky A., Sutskever I., Hinton G.E. 2017. ImageNet classification with deep
convolutional neural networks. Communications of the ACM 60:84–90.
25. LeCun Y., Bengio Y., Hinton G. 2015. Deep learning. Nature 521:436–444.
26. Litjens G., Kooi T., Bejnordi B.E., Setio A.A.A., Ciompi F., Ghafoorian M., Laak
J.A.W.M., Ginneken B., Sánchez C.I. 2017. A survey on deep learning in medical image
analysis. Medical Image Analysis. 42, 60–88.
27. Loussert F.C, Humbel B.M. 2015. Correlative microscopy. Archives of Biochemistry and
Biophysics. 581:98–110.
28. Lusic H., Grinstaff M.W. 2012. X-ray-Computed Tomography Contrast Agents. Chemical
Reviews. 113:1641–1666.
29. Maniruzzaman Md., Jahanur Rahman Md., Ahammed B., Abedin Md.M., Suri H.S.,
Biswas M., El-Baz A., Bangeas P., Tsoulfas, G., Suri J.S. 2019. Statistical
characterization and classification of colon microarray gene expression data using
multiple machine learning paradigms. Computer Methods and Programs in
Biomedicine.176, 173–193.
30. Maniruzzaman Md., Rahman Md.J., Al-MehediHasan Md., Suri H.S., Abedin Md.M., El-
Baz A., Suri J.S. 2018. Accurate Diabetes Risk Stratification Using Machine Learning:
Role of Missing Value and Outliers. Journal of Medical Systems 42(5).
31. Molinari F., Zeng G., Suri J.S. 2010. An Integrated Approach to Computer-Based
Automated Tracing and IMT Measurement for Carotid Artery Longitudinal Ultrasound
Images. Atherosclerosis Disease Management. 221–251.
32. Nardone V., Tini P., Biondi M., Sebaste L., Vanzi E., De Otto G., Rubino G., Carfagno
T., Battaglia G., Pastina P., Cerase A., Mazzoni L.N., Banci Buonamici F., Pirtoli L.
2016. Prognostic Value of MR Imaging Texture Analysis in Brain Non-Small Cell Lung
:| 0256-592.303
..
.
Cancer Oligo-Metastases Undergoing Stereotactic Irradiation. Cureus.

33. Oren O., Gersh B.J., Bhatt D.L. 2020. Artificial intelligence in medical imaging:
switching from radiographic pathological data to clinically meaningful endpoints. The
Lancet Digital Health. 2:e486–e488.
34. Pan S.J., Yang Q. 2010. A Survey on Transfer Learning. IEEE Transactions on
Knowledge and Data Engineering. 22:1345–1359.
35. Patel V.B, Zhong J.C, Grant M.B, Oudit G.Y. 2016. Role of the ACE2/Angiotensin 1–7
Axis of the Renin–Angiotensin System in Heart Failure. Circulation Research. 118:1313–
1326.
36. Poole D.L., Mackworth A.K., Goebel R. 1998. Computational intelligence: a logical
approach. 1st ed. Oxford University Press, New York.
37. Ragab D.A., Sharkas M., Marshall S., Ren J. 2019. Breast cancer detection using deep
convolutional neural networks and support vector machines. PeerJ. 7:e6201.
38. Ramesh A., Kambhampati C., Monson J., Drew P. 2004. Artificial intelligence in
medicine. Annals of The Royal College of Surgeons of England. 86:334–338.
39. Ruffle J.K., Farmer A.D., Aziz Q. 2019. Artificial Intelligence-Assisted Gastroenterology-
Promises and Pitfalls. The American Journal of Gastroenterology. 114:422–428.
40. Saba L., Dey N., Ashour A.S., Samanta S., Nath S.S., Chakraborty S., Sanches J., Kumar
D., Marinho R., Suri J.S. 2016. Automated stratification of liver disease in ultrasound: An
online accurate feature classification paradigm. Computer Methods and Programs in
Biomedicine. 130, 118–134.
41. Salehi S, Abedi A, Balakrishnan S, Gholamrezanezhad A (2020) Coronavirus Disease
2019 (COVID-19): A Systematic Review of Imaging Findings in 919 Patients. American
Journal of Roentgenology. 215:1–7.
42. Shah V., Keniya R., Shridharani A., Punjabi M., Shah J., Mehendale N. 2021. Diagnosis
of COVID-19 using CT scan images and deep learning techniques. Emergency Radiology.
43. Shin H.C., Roth H.R., Gao M., Lu L., Xu Z., Nogues I., Yao J., Mollura D., Summers
R.M. 2016. Deep Convolutional Neural Networks for Computer-Aided Detection: CNN
Architectures, Dataset Characteristics and Transfer Learning. IEEE Transactions on
Medical Imaging. 35(5), 1285–1298.
44. Shrivastava V.K., Londhe N.D., Sonawane R.S., Suri J.S. 2017. A novel and robust
Bayesian approach for segmentation of psoriasis lesions and its risk stratification.
Computer Methods and Programs in Biomedicine. 150:9–22.
45. Srivastava S.K, Singh S.K, Suri J.S. 2019. Effect of incremental feature enrichment on
healthcare text classification system: A machine learning paradigm. Computer Methods
and Programs in Biomedicine. 172:35–51.
46. Suri J.S., Puvvula A., Biswas M., Majhail M., Saba L., Faa G., Singh I.M., Oberleitner R.,
Turk M., Chadha P.S., Johri A.M., Sanches J.M., Khanna N.N., Viskovic K., Mavrogeni
S., Laird J.R., Pareek G., Miner M., Sobel D.W., Balestrieri A. 2020. COVID-19
pathways for brain and heart injury in comorbidity patients: A role of medical imaging
and artificial intelligence-based COVID severity classification: A review. Computers in
Biology and Medicine. 124, 103960.
47. Swati Z.N.K., Zhao Q., Kabir M., Ali F., Ali Z., Ahmed S., Lu J. 2019. Brain tumor
classification for MR images using transfer learning and fine-tuning. Computerized
Medical Imaging and Graphics. 75, 34–46.
48. Tandel G.S., Balestrieri A., Jujaray T., Khanna N.N., Saba L., Suri J.S. 2020. Multiclass
magnetic resonance imaging brain tumor classification using artificial intelligence
paradigm. Computers in Biology and Medicine, 122, 103804.
:| 0256-592.303
..
.
49. Taylor M., Stone P. 2009. Transfer Learning for Reinforcement Learning Domains: A
Survey. Journal of Machine Learning Research. 10:1633–1685
50. World Health Organization. 2020. Coronavirus. In: World Health Organization.Accesed
15 Apr 2021. https://www.who.int/health-topics/coronavirus#tab=tab_1
51. Worldometer. 2021. Coronavirus toll update: Cases & deaths by country. In:
Worldometers.info. Accesed 15 Apr 2021. https://www.worldometers.info/coronavirus/
52. Wu J., Pan J., Teng D., Xu X., Feng J., Chen Y.C. 2020. Interpretation of CT signs of
2019 novel coronavirus (COVID-19) pneumonia. European Radiology. 30, 5455–5462.
53. Xiong T.Y., Redwood S., Prendergast B., Chen M. 2020. Coronaviruses and the
cardiovascular system: acute and long-term implications. European Heart Journal.
54. Yang G., Jones T.L., Howe F.A., Barrick T.R. 2015. Morphometric model for
discrimination between glioblastoma multiforme and solitary metastasis using three-
dimensional shape analysis. Magnetic Resonance in Medicine 75:2505–2516.
55. Yang Y., Yan L.F., Zhang X., Han Y., Nan H.Y., Hu Y.C., Hu B., Yan S.L., Zhang J.,
Cheng D.L., Ge X.W., Cui G.B., Zhao D., Wang W. 2018. Glioma grading on
conventional MR images: A deep learning study with transfer learning. Frontiers in
Neuroscience. 12.
56. Zacharaki E.I., Wang S., Chawla S., Soo Yoo D., Wolf R., Melhem E.R., Davatzikos C.
2009. Classification of brain tumor type and grade using MRI texture and shape in a
machine learning scheme. Magnetic Resonance in Medicine, 62(6), 1609–1618.
57. Zhang Z., Xiao J., Wu S., Lv F., Gong J., Jiang L., Yu R., Luo T. 2020. Deep
Convolutional Radiomic Features on Diffusion Tensor Images for Classification of
Glioma Grades. Journal of Digital Imaging. 33(4), 826–837.
58. Zhou S.K., Greenspan H., Davatzikos C., Duncan J.S., Ginneken B., Madabhushi A.,
Summers R.M. 2021. A Review of Deep Learning in Medical Imaging: Imaging Traits,
Technology Trends, Case Studies With Progress Highlights, and Future Promises.
Proceedings of the IEEE .1–19.
59. Zou K.H., Warfield S.K., Bharatha A., Tempany C.M.C., Kaus M.R., Haker SJ., Kikinis
R. 2004. Statistical Validation of Image Segmentation Quality Based on a Spatial Overlap
Index. Academic Radiology. 11(2), 178–189.
:| 0256-592.303

CHM Mărgan Rebeca Lucrare

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

CHM Mărgan Rebeca Lucrare

Încărcat de

Drepturi de autor:

Formate disponibile

UNIVERSITATEA DE VEST DIN TIMIȘOARA

FACULTATEA DE CHIMIE, BIOLOGIE, GEOGRAFIE

PROGRAMUL DE STUDII UNIVERSITARE DE

METODE DE ANALIZĂ IMAGISTICĂ

Inteligența artificială (IA) este reprezentată de capacitatea unor mașini de a reproduce

o Procesare pe mai multe niveluri și zone Imagini

FIG. 1. Principalele trăsături ale imagisticii medicale

are numeroase aplicații în cuantificarea clinică, terapia și planificarea chirurgicală.

1.2. Introducere de specialitate

spectrometrie de masa și metode de etichetare fluorescente. De asemenea, în ultimii ani, au

1.2.1. Imagistica prin rezonanță magnetică (RMN)

1.2.2. Imagistica computerului tomograf (CT)

vizuală 3D și segmentarea țesuturilor de interes. Sistemele CT de înaltă rezoluție pot fi

1.2.3. Imagistica Razelor X

1.3.1. Fiziopatologia SARS-CoV-2 care cauzează leziuni cerebrale

Ang II provoacă vasospasm și este, de asemenea, un agent pro-inflamator cu efecte

CALEA CALEA HIPOXIEI CALEA SRAA CALEA IMUNĂ

EPITELIUL NAZAL SIRS

a-nervul olfactiv SARS MEDIATORI

EDEM CEREBRAL LEZIUNI

FIG. 2. Prezentarea generală a modului în care SARS-CoV-2 cauzează leziuni cerebrale.

diagnosticele asistate de computer aplicate în imagistica medicală duc la o evaluare mai

2.1.Inteligența artificială și imagistica prin rezonanță magnetică

Mărirea datelor Pregatirea datelor Redimensionarea imaginii

Modelele DL și ML TGS Validarea incrucișată

Predictie cu Predictie cu Predictie cu Predictie cu Predictie cu

Porțiune Porțiune Porțiune Porțiune

Porțiune AST(g3) AST(g2)

HGG OLI OLI(g2) AST(g3)

GBM OLI(g3) OLI(g2)

Odată cu inventarea tehnicilor moderne de IA și a noilor modalități de imagistică, cercetarea

Zacharaki și colaboratorii (Zacharaki et al., 2009), au efectuat studii de clasificare a tumorilor

2.2. Demografia pacientului și pregătirea datelor

pacienților, pregătirea datelor, preprocesarea și extragerea caracteristicilor. Pentru aceasta,

TABELUL 2. Probele și detaliile etichetării datelor multiparametrice.

P5 (date din cinci AST (g2) G1 356

P6 (date din șase Normal G1 1041

2.3. Preprocesare, protocol de achiziție și selectarea caracteristicilor

2.3.1. Mărirea datelor

Mărirea datelor Preprocesare Îndepartarea craniului

Predictie cu Predictie cu Predictie cu Predictie cu Predictie cu

Numarul total de protocoale cu validare-încrucișată ( K2, K5, K10, TT)

Class-wise Model-wise CV protocol-wise

FIG. 5. Arhitectura sistemului local de clasificare a tumorilor cerebrale cu multiparametrii.

valorile negative, evitând astfel neliniaritatea în model. Pooling-ul se efectuează după

Straturi Straturi Etichetele sursă

Transfer de Transferul datelor inițiale și ajustare

Model re-antrenat Straturi Straturi

Noi straturi adaptate pentru a fi antrenate pe sarcini specifice

Metodologia constă în estimarea acurateței clasificării multiparametrilor în cadrul AI folosind

2.5. Performanța modelelor

2.5.2. Protocolul experimental 2:

2.5.3. Protocol experimental 3:

TABELUL 5. Expresiile matematice ale acurateței medii a sistemelor ML și DL. [6]

2.5.5. Protocol experimental 5:

3.1. Parametrii de instruire ai modelului DL

FIG. 7. Comparație de performanță în funcție de date: ML vs. DL

3.1.2. Rezultatele protocolului experimental 2

FIG. 8. Protocolul CV în comparație cu performanța medie: MLvs. DL.

3.1.3. Rezultatele protocolului experimental 3

FIG. 9. Comparația performanței medie la nivel de model: ML vs. DL

3.1.4. Rezultatele protocolului experimental 4

Parametrii de Media DL Media ML Îmbunătățirea DL