Fully Automated Glioblastoma Segmentation and Classification in Multispectral Magnetic Resonance Images Based on Level Set and Deep Neural Network
Notice bibliographique
Résumé
ABSTRACT Automatic segmentation and classification methods of glioblastomas in magnetic resonance imaging (MRI) scans are essential to overcome the limitations of error‐prone manual methods, especially given the intrinsic challenges such as intensity nonuniformity, diverse anatomical brain alterations, and significant variations in tumor shape, size, and location. These complexities pose major hurdles for radiologists in diagnosis and surgical planning, underscoring the critical significance of robust automated solutions. This study presents a novel fully automated approach for segmentation and classification of glioblastoma brain tumors using multi‐spectral MRI data. Our proposed framework innovatively integrates two key steps. In the first step, a new level set method is presented for segmentation, which is uniquely enhanced by super‐pixel fuzzy entropy‐based clustering—a technique designed to effectively handle image inhomogeneities and noise—density peak clustering, and a lattice Boltzmann solver for efficient contour evolution. In the second step, a VGG‐16 deep neural network is employed for precise classification. To assess the capability of the proposed method in both segmentation and classification tasks, real T2‐weighted and fluid‐attenuated inversion recovery magnetic resonance images of glioblastomas from the BraTS 2020 dataset are used simultaneously in a multi‐spectral manner. Our segmentation results, evaluated by measuring the Dice coefficient, Jaccard index, sensitivity, specificity, and running time. The mean values (Mean ± Standard deviation) of these metrics are 0.8915 ± 0.0293, 0.8055 ± 0.0478, 0.9535 ± 0.0644, 0.9910 ± 0.0364, 2.2909 ± 0.2597, respectively. Additionally, the average values of accuracy, precision, recall, and F1‐score across the fivefold cross‐validation of the classification method are 0.9149, 0.9532, 0.9160, and 0.9349, respectively. According to the experiments, our proposed fully automated framework not only achieves superior performance in simultaneous segmentation and classification compared to other state‐of‐the‐art segmentation methods but also offers a robust and efficient solution for clinical applications. While this study demonstrates strong potential, future work will focus on extending the framework for multi‐label segmentation of different tumor sub‐regions and validating its efficacy on even larger and more diverse clinical datasets.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».