Documente Academic
Documente Profesional
Documente Cultură
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
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
2.5.4. Protocol experimental 4: ........................................................................................ 23
2.5.5. Protocol experimental 5: ........................................................................................ 24
3. REZULTATE ȘI DISCUȚII ......................................................................................... 25
3.1. PARAMETRII DE INSTRUIRE AI MODELULUI DL ........................................................... 25
3.1.1. Rezultatele protocolului experimental 1 ................................................................ 25
3.1.2. Rezultatele protocolului experimental 2 ................................................................ 26
3.1.3. Rezultatele protocolului experimental 3 ................................................................ 27
3.1.4. Rezultatele protocolului experimental 4 ................................................................ 27
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.
..
FACULTATEA DE CHIMIE, BIOLOGIE, GEOGRAFIE.
.
DEPARTAMENTUL BIOLOGIE-CHIMIE.
1. INTRODUCERE
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
3 Str. J. H. Pestalozzi, Nr. 16, 300115 Timişoara, România.
Tel./Fax: +4 0256-592.634 (20), www.cbg.uvt.ro.
..
FACULTATEA DE CHIMIE, BIOLOGIE, GEOGRAFIE.
.
DEPARTAMENTUL BIOLOGIE-CHIMIE.
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
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
4 Str. J. H. Pestalozzi, Nr. 16, 300115 Timişoara, România.
Tel./Fax: +4 0256-592.634 (20), www.cbg.uvt.ro.
..
FACULTATEA DE CHIMIE, BIOLOGIE, GEOGRAFIE.
.
DEPARTAMENTUL BIOLOGIE-CHIMIE.
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.
1.3. 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
7 Str. J. H. Pestalozzi, Nr. 16, 300115 Timişoara, România.
Tel./Fax: +4 0256-592.634 (20), www.cbg.uvt.ro.
..
FACULTATEA DE CHIMIE, BIOLOGIE, GEOGRAFIE.
.
DEPARTAMENTUL BIOLOGIE-CHIMIE.
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.
:| 0256-592.303
9 Str. J. H. Pestalozzi, Nr. 16, 300115 Timişoara, România.
Tel./Fax: +4 0256-592.634 (20), www.cbg.uvt.ro.
..
FACULTATEA DE CHIMIE, BIOLOGIE, GEOGRAFIE.
.
DEPARTAMENTUL BIOLOGIE-CHIMIE.
SARS-COV-2
Receptorul ECA 2
Membrana celulară
ACUMULARE DE NEUTROFILE
PICĂTURI ANGIOTENSINA II PNEUMONIE
RESPIRATORII
PERMEABILITATEA VASCULARĂ
INFLAMAȚIE
VASODILATAȚIE DISFUNCȚIE RUPEREA PLĂCII
CEREBRALĂ ENDOTELIALĂ
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
10 Str. J. H. Pestalozzi, Nr. 16, 300115 Timişoara, România.
Tel./Fax: +4 0256-592.634 (20), www.cbg.uvt.ro.
..
FACULTATEA DE CHIMIE, BIOLOGIE, GEOGRAFIE.
.
DEPARTAMENTUL BIOLOGIE-CHIMIE.
:| 0256-592.303
11 Str. J. H. Pestalozzi, Nr. 16, 300115 Timişoara, România.
Tel./Fax: +4 0256-592.634 (20), www.cbg.uvt.ro.
..
FACULTATEA DE CHIMIE, BIOLOGIE, GEOGRAFIE.
.
DEPARTAMENTUL BIOLOGIE-CHIMIE.
2. MATERIALE ȘI METODE
:| 0256-592.303
12 Str. J. H. Pestalozzi, Nr. 16, 300115 Timişoara, România.
Tel./Fax: +4 0256-592.634 (20), www.cbg.uvt.ro.
..
FACULTATEA DE CHIMIE, BIOLOGIE, GEOGRAFIE.
.
DEPARTAMENTUL BIOLOGIE-CHIMIE.
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
13 Str. J. H. Pestalozzi, Nr. 16, 300115 Timişoara, România.
Tel./Fax: +4 0256-592.634 (20), www.cbg.uvt.ro.
..
FACULTATEA DE CHIMIE, BIOLOGIE, GEOGRAFIE.
.
DEPARTAMENTUL BIOLOGIE-CHIMIE.
RMN cerebral
Date formatate
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.
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
16 Str. J. H. Pestalozzi, Nr. 16, 300115 Timişoara, România.
Tel./Fax: +4 0256-592.634 (20), www.cbg.uvt.ro.
..
FACULTATEA DE CHIMIE, BIOLOGIE, GEOGRAFIE.
.
DEPARTAMENTUL BIOLOGIE-CHIMIE.
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.
:| 0256-592.303
17 Str. J. H. Pestalozzi, Nr. 16, 300115 Timişoara, România.
Tel./Fax: +4 0256-592.634 (20), www.cbg.uvt.ro.
..
FACULTATEA DE CHIMIE, BIOLOGIE, GEOGRAFIE.
.
DEPARTAMENTUL BIOLOGIE-CHIMIE.
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.
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
19 Str. J. H. Pestalozzi, Nr. 16, 300115 Timişoara, România.
Tel./Fax: +4 0256-592.634 (20), www.cbg.uvt.ro.
..
FACULTATEA DE CHIMIE, BIOLOGIE, GEOGRAFIE.
.
DEPARTAMENTUL BIOLOGIE-CHIMIE.
RMN cerebral
Date formatate
CNN
Probe de Probe de
DT
antrenament testare
LD
NB
SVM
KNN Antrenare
Ensemble
Modele de
Testare
antrenament
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
20 Str. J. H. Pestalozzi, Nr. 16, 300115 Timişoara, România.
Tel./Fax: +4 0256-592.634 (20), www.cbg.uvt.ro.
..
FACULTATEA DE CHIMIE, BIOLOGIE, GEOGRAFIE.
.
DEPARTAMENTUL BIOLOGIE-CHIMIE.
FIG. 6. Învățare prin transfer din imaginile naturale utilizate pentru clasificarea tumorilor cerebrale.
- K5: T (K5) = 5;
- K10: T (K10) = 10;
- TT: T (TT) = 1.
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
𝑘=1 ∑𝑡=1 𝜂(𝐴𝑙𝑒𝑥𝑁𝑒𝑡, 𝑃3, 𝑘, 𝑡) 𝑀𝐿
∑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)
𝑇(𝑘) 𝑇(𝑘)
P5
𝐷𝐿
∑𝐾
𝑘=1 ∑𝑡=1 𝜂(𝐴𝑙𝑒𝑥𝑁𝑒𝑡, 𝑃5, 𝑘, 𝑡) 𝑀𝐿
∑𝑀 𝐾
𝑚𝑡=1 ∑𝑘=1 ∑𝑡=1 𝜂(𝑚𝑡, 𝑃5, 𝑘, 𝑡)
𝜂̅ 𝑃5 = 𝜂̅𝑃5 =
𝐾 × 𝑇(𝑘) 𝑀 × 𝐾 × 𝑇(𝑘)
𝑇(𝑘) 𝑇(𝑘)
P6
𝐷𝐿
∑𝐾
𝑘=1 ∑𝑡=1 𝜂(𝐴𝑙𝑒𝑥𝑁𝑒𝑡, 𝑃6, 𝑘, 𝑡) 𝑀𝐿
∑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
22 Str. J. H. Pestalozzi, Nr. 16, 300115 Timişoara, România.
Tel./Fax: +4 0256-592.634 (20), www.cbg.uvt.ro.
..
FACULTATEA DE CHIMIE, BIOLOGIE, GEOGRAFIE.
.
DEPARTAMENTUL BIOLOGIE-CHIMIE.
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)
:| 0256-592.303
23 Str. J. H. Pestalozzi, Nr. 16, 300115 Timişoara, România.
Tel./Fax: +4 0256-592.634 (20), www.cbg.uvt.ro.
..
FACULTATEA DE CHIMIE, BIOLOGIE, GEOGRAFIE.
.
DEPARTAMENTUL BIOLOGIE-CHIMIE.
:| 0256-592.303
24 Str. J. H. Pestalozzi, Nr. 16, 300115 Timişoara, România.
Tel./Fax: +4 0256-592.634 (20), www.cbg.uvt.ro.
..
FACULTATEA DE CHIMIE, BIOLOGIE, GEOGRAFIE.
.
DEPARTAMENTUL BIOLOGIE-CHIMIE.
3. REZULTATE ȘI DISCUȚII
:| 0256-592.303
25 Str. J. H. Pestalozzi, Nr. 16, 300115 Timişoara, România.
Tel./Fax: +4 0256-592.634 (20), www.cbg.uvt.ro.
..
FACULTATEA DE CHIMIE, BIOLOGIE, GEOGRAFIE.
.
DEPARTAMENTUL BIOLOGIE-CHIMIE.
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
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
:| 0256-592.303
26 Str. J. H. Pestalozzi, Nr. 16, 300115 Timişoara, România.
Tel./Fax: +4 0256-592.634 (20), www.cbg.uvt.ro.
..
FACULTATEA DE CHIMIE, BIOLOGIE, GEOGRAFIE.
.
DEPARTAMENTUL BIOLOGIE-CHIMIE.
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
:| 0256-592.303
27 Str. J. H. Pestalozzi, Nr. 16, 300115 Timişoara, România.
Tel./Fax: +4 0256-592.634 (20), www.cbg.uvt.ro.
..
FACULTATEA DE CHIMIE, BIOLOGIE, GEOGRAFIE.
.
DEPARTAMENTUL BIOLOGIE-CHIMIE.
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.
:| 0256-592.303
30 Str. J. H. Pestalozzi, Nr. 16, 300115 Timişoara, România.
Tel./Fax: +4 0256-592.634 (20), www.cbg.uvt.ro.
..
FACULTATEA DE CHIMIE, BIOLOGIE, GEOGRAFIE.
.
DEPARTAMENTUL BIOLOGIE-CHIMIE.
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
31 Str. J. H. Pestalozzi, Nr. 16, 300115 Timişoara, România.
Tel./Fax: +4 0256-592.634 (20), www.cbg.uvt.ro.
..
FACULTATEA DE CHIMIE, BIOLOGIE, GEOGRAFIE.
.
DEPARTAMENTUL BIOLOGIE-CHIMIE.
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
32 Str. J. H. Pestalozzi, Nr. 16, 300115 Timişoara, România.
Tel./Fax: +4 0256-592.634 (20), www.cbg.uvt.ro.
..
FACULTATEA DE CHIMIE, BIOLOGIE, GEOGRAFIE.
.
DEPARTAMENTUL BIOLOGIE-CHIMIE.
:| 0256-592.303
33 Str. J. H. Pestalozzi, Nr. 16, 300115 Timişoara, România.
Tel./Fax: +4 0256-592.634 (20), www.cbg.uvt.ro.
..
FACULTATEA DE CHIMIE, BIOLOGIE, GEOGRAFIE.
.
DEPARTAMENTUL BIOLOGIE-CHIMIE.
:| 0256-592.303
34 Str. J. H. Pestalozzi, Nr. 16, 300115 Timişoara, România.
Tel./Fax: +4 0256-592.634 (20), www.cbg.uvt.ro.
..
FACULTATEA DE CHIMIE, BIOLOGIE, GEOGRAFIE.
.
DEPARTAMENTUL BIOLOGIE-CHIMIE.
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
35 Str. J. H. Pestalozzi, Nr. 16, 300115 Timişoara, România.
Tel./Fax: +4 0256-592.634 (20), www.cbg.uvt.ro.