Czasopismo | PRZEGLĄD ELEKTROTECHNICZNY | Rocznik 2023 - zeszyt 12

Implementation of Chaotic Atom Search Optimized SWIN Transformer Architecture for Efficient Corpus Callosum Segmentation in Brain MRI Images

Implementacja zoptymalizowanej architektury transformatora SWIN w zakresie wyszukiwania atomów chaotycznych w celu zapewnienia efektywnej segmentacji ciała modzelowatego w obrazach MRI mózgu

10.15199/48.2023.12.33

nr katalogowy: 146732
10.15199/48.2023.12.33

Streszczenie

A crucial component of the brain that facilitates neuronal communication between the two halves of the brain is the corpus callosum (CC). Processing sensorial, motor, and sophisticated intellectual impulses is the major job of the corpus callosum, which integrates and transfers data from both cerebral hemispheres. Segmentation the CC from brain MRIs is a highly challenging technique because of the low brightness of the surrounding organs and tissues. CNN has historically performed better in segmenting medical images, but in 2021 Microsoft researchers created a novel transformer-based structure that outperformed the prior classification methods. As a result, we propose a CC segmentation method based on the Chaotic Atom Search Optimized Swin (Shifted Window) Transformer architecture. The brain MR imaging database is collected using the opensource OASIS platform. Wavelet Thresholding preprocessing compresses the brain MR images and lowers unneeded noise. The corpus callosum is segmented from images of the skull using the proposed Swin framework, which has been developed and trained. The suggested framework is implemented in the Python environment, and metrics like as accuracy, recall, precision, and F1-score are analyzed and compared with existing systems.

Abstract

Kluczowym elementem mózgu, który ułatwia komunikacj ˛e neuronaln ˛a mi ˛edzy dwiema połówkami mózgu, jest ciało modzelowate (CC). Przetwarzanie impulsów czuciowych, motorycznych i wyrafinowanych intelektualnych to główne zadanie ciała modzelowatego, które integruje i przesyła dane z obu półkul mózgowych. Segmentacja CC na podstawie rezonansu magnetycznego mózgu jest technik ˛a bardzo wymagaj ˛ac ˛a ze wzgl ˛edu na nisk ˛a jasnos´c otaczaj ˛ ´ acych narz ˛adów i tkanek. W przeszłosci CNN radziło sobie lepiej w segmentacji obrazów medycznych, ale w 2021 r. badacze ´ firmy Microsoft stworzyli nowatorsk ˛a struktur ˛e opart ˛a na transformatorach, która przewyzszała wcze ˙ sniejsze metody klasyfikacji. W rezultacie proponu- ´ jemy metod ˛e segmentacji CC opart ˛a na architekturze transformatora Chaotic Atom Search Optimized Swin (Shifted Window). Baza danych obrazowania MR mózgu jest gromadzona przy uzyciu platformy OASIS typu open source. Wst ˛ ˙ epne przetwarzanie Wavelet Thresholding kompresuje obrazy MR mózgu i obniza niepotrzebne szumy. Ciało modzelowate jest segmentowane na podstawie obrazów czaszki przy u ˙ zyciu proponowanego modelu ˙ Swin, który został opracowany i przeszkolony. Sugerowany framework jest zaimplementowany w srodowisku Python, a wska ´ ´ zniki takie jak dokładnos´c, przypominanie, precyzja i wynik F1 s ˛ ´ a analizowane i porównywane z istniej ˛acymi systemami.

Słowa kluczowe

Keywords

Bibliografia

[1] Shai Berman, Shir Filo, and Aviv A Mezer. Modeling conduction delays in the corpus callosum using mri-measured g-ratio. Neuroimage, 195:128–139, 2019.
[2] Ángela Bernabéu-Sanz, Sandra Morales, Valery Naranjo, and Ángel P Sempere. Contribution of gray matter atrophy and white matter damage to cognitive impairment in mildly disabled relapsing-remitting multiple sclerosis patients. Diagnostics, 11(3):578, 2021.
[3] J Blaauw and LC Meiners. The splenium of the corpus callosum: embryology, anatomy, function and imaging with pathophysiological hypothesis. Neuroradiology, 62:563–585, 2020.
[4] J Blaauw and LC Meiners. The splenium of the corpus callosum: embryology, anatomy, function and imaging with pathophysiological hypothesis. Neuroradiology, 62:563–585, 2020.
[5] J Blaauw and LC Meiners. The splenium of the corpus callosum: embryology, anatomy, function and imaging with pathophysiological hypothesis. Neuroradiology, 62:563–585, 2020.
[6] Thais Caldeira, Paulo Rogério Julio, Simone Appenzeller, and Leticia Rittner. inccsight: A software for exploration and visualization of dt-mri data of the corpus callosum. Computers & Graphics, 99:259–271, 2021.
[7] Aaron Carass, Jennifer L Cuzzocreo, Shuo Han, Carlos R Hernandez-Castillo, Paul E Rasser, Melanie Ganz, Vincent Beliveau, Jose Dolz, Ismail Ben Ayed, Christian Desrosiers, et al. Comparing fully automated state-of-the-art cerebellum parcellation from magnetic resonance images. Neuroimage, 183:150–172, 2018.
[8] Anjali Chandra, Shrish Verma, Ajay Singh Raghuvanshi, Narendra D Londhe, Narendra Kuber Bodhey, and Kumar Subham. Corpus callosum segmentation from brain mri and its possible application in detection of diseases. In 2019 IEEE International Conference on Electrical, Computer and Communication Technologies (ICECCT), pages 1–4. IEEE, 2019.
[9] GS Cover, William Garcia Herrera, Mariana P Bento, Simone Appenzeller, and Letícia Rittner. Computational methods for corpus callosum segmentation on mri: A systematic literature review. Computer methods and programs in biomedicine, 154:25–35, 2018.
[10] GS Cover, William Garcia Herrera, Mariana P Bento, Simone Appenzeller, and Letícia Rittner. Computational methods for corpus callosum segmentation on mri: A systematic literature review. Computer methods and programs in biomedicine, 154:25–35, 2018.
[11] Chitradevi Dhakhinamoorthy, Sathish Kumar Mani, Sandeep Kumar Mathivanan, Senthilkumar Mohan, Prabhu Jayagopal, Saurav Mallik, and Hong Qin. Hybrid whale and gray wolf deep learning optimization algorithm for prediction of alzheimer’s disease. Mathematics, 11(5):1136, 2023.
[12] Douglas N Greve, Benjamin Billot, Devani Cordero, Andrew Hoopes, Malte Hoffmann, Adrian V Dalca, Bruce Fischl, Juan Eugenio Iglesias, and Jean C Augustinack. A deep learning toolbox for automatic segmentation of subcortical limbic structures from mri images. Neuroimage, 244:118610, 2021.
[13] Fidel Hernandez, Chiara Giordano, Maged Goubran, Sherveen Parivash, Gerald Grant, Michael Zeineh, and David Camarillo. Lateral impacts correlate with falx cerebri displacement and corpus callosum trauma in sports-related concussions. Biomechanics and modeling in mechanobiology, 18:631–649, 2019.
[14] Amanda K Huber, David A Giles, Benjamin M Segal, and David N Irani. An emerging role for eotaxins in neurodegenerative disease. Clinical Immunology, 189:29–33, 2018.
[15] Paulo Rogério Julio, Thais Caldeira, Gustavo Retuci Pinheiro, Carla Helena Capello, Renan Bazuco Fritolli, Roberto Marini, Fernando Cendes, Paula Teixeira Fernandes, Lilian TL Costallat, Leticia Rittner, et al. Microstructural changes in the corpus callosum in systemic lupus erythematous. Cells, 12(3):355, 2023.
[16] Mónica López-Vicente, Sander Lamballais, Suzanne Louwen, Manon Hillegers, Henning Tiemeier, Ryan L Muetzel, and Tonya White. White matter microstructure correlates of age, sex, handedness and motor ability in a population-based sample of 3031 school-age children. Neuroimage, 227:117643, 2021.
[17] Siuly Siuly and Yanchun Zhang. Medical big data: neurological diseases diagnosis through medical data analysis. Data Science and Engineering, 1:54–64, 2016.
[18] Stefanus E Sugijono, Rahmad Mulyadi, Salsabila Firdausia, Joedo Prihartono, and Riwanti Estiasari. Corpus callosum index correlates with brain volumetry and disability in multiple sclerosis patients. Neurosciences Journal, 25(3):193–199, 2020.
[19] Lara M Wierenga, Marieke GN Bos, Elisabeth Schreuders, Ferdi vd Kamp, Jiska S Peper, Christian K Tamnes, and Eveline A Crone. Unraveling age, puberty and testosterone effects on subcortical brain development across adolescence. Psychoneuroendocrinology, 91:105–114, 2018.

Jeśli masz wykupiony/przyznany dostęp - zaloguj się. Skorzystaj z naszych propozycji zakupu!

Publikacja


PRZEGLĄD ELEKTROTECHNICZNY- e-publikacja (pdf) z zeszytu 2023-12 , nr katalogowy 146732 licencja: Osobista Produkt cyfrowy Nowość	10.00 zł

Zeszyt


PRZEGLĄD ELEKTROTECHNICZNY- e-zeszyt (pdf) 2023-12 licencja: Osobista Produkt cyfrowy Nowość	70.00 zł

Prenumerata

PRZEGLĄD ELEKTROTECHNICZNY - prenumerata cyfrowa
licencja: Osobista

Produkt cyfrowy
Nowość

762.00 zł

PRZEGLĄD ELEKTROTECHNICZNY - PAKIET prenumerata PLUS
licencja: Osobista

Szczegóły pakietu

Nazwa
PRZEGLĄD ELEKTROTECHNICZNY - PAKIET prenumerata PLUS (Prenumerata papierowa + dostęp do portalu sigma-not.pl + e-prenumerata)	1002.00 zł brutto 927.78 zł netto 74.22 zł VAT (stawka VAT 8%)

1002.00 zł

PRZEGLĄD ELEKTROTECHNICZNY - papierowa prenumerata roczna + wysyłka
licencja: Osobista

Szczegóły pakietu

Nazwa
PRZEGLĄD ELEKTROTECHNICZNY - papierowa prenumerata roczna	960.00 zł brutto 888.89 zł netto 71.11 zł VAT (stawka VAT 8%)
PRZEGLĄD ELEKTROTECHNICZNY - pakowanie i wysyłka	42.00 zł brutto 34.15 zł netto 7.85 zł VAT (stawka VAT 23%)

1002.00 zł

Zeszyt

2023-12

Twój Koszyk

Publikacja

Zeszyt

Prenumerata

Zeszyt

Czasopisma