Artificial intelligence paradigms for the automated diagonsis of brain cancer

Abstract

Neuroscience has typically been tasked with processing MRI data in order to detect malignancies. The procedure, on the other hand, grapples with a significant obstacle and necessitates a substantial level of domain competence gained through rigorous formal skill training. Indeed, brain tumor is one of the most harmful cancers that cause death of both children and adults but early screening strengthens enormously the chances of the patient's survival. Although MRI has several advantages over other imaging modalities, such as being safer and delivering richer information, it is difficult to detect minute changes in MRI images, particularly in the early stages of abnormalities. Furthermore, slice-by-slice annotation of a brain tumor from MRI scan is a time-consuming and laborious task. Through CAD systems implementation, this manual burden can be substituted by automatic segmentation based computer vision techniques where Artificial intelligence, machine learning and deep learning are the buzzwords. To identify glioma, meningioma and pituitary tumor ; a single framework based on U-net model and SVM algorithm with textural tumors characterization based power laws models: Zipf and inverse Zipf and Gabor filters is used to handle both tumor segmentation and classification tasks simultaneously. Not only has the suggested approach successfully identified the presence of cancer cells in the brain, but it has also correctly identified the type of cancer present in the segmented region of interest, whether it is glioma, pituitary tumor or meningioma.Les neurosciences ont typiquement été chargées de traiter les données IRM afin de détecter les tumeurs malignes. La procédure, d'autre part, se heurte à un obstacle important et nécessite un niveau substantiel de compétence dans le domaine acquis grâce à une formation formelle rigoureuse. En effet, la tumeur cérébrale est l'un des cancers les plus nocifs pouvant causer la mort, aussi bien, dans le sujet enfants qu‟adulte. Ceci dit, un dépistage précoce renforce énormément les chances de survie du patient. Bien que l'IRM présente plusieurs avantages par rapport aux autres modalités d'imagerie, comme étant plus sûre et fournissant des informations plus riches, il est difficile de détecter des changements infimes dans les images IRM, en particulier au cours des premiers stades relatifs aux anomalies. De plus, l'annotation tranche par tranche d'une tumeur cérébrale à partir d'une IRM est une tâche longue et laborieuse. Grâce à l‟implémentation de systèmes CAD, cette charge manuelle peut être remplacée par des techniques de vision par ordinateur basées sur la segmentation automatique où l'intelligence artificielle, l'apprentissage automatique et l'apprentissage en profondeur sont les tendances actuelles. Pour identifier le gliome, la tumeur hypophysaire et le méningiome ; une approche basée sur le modèle U-net et l'algorithme SVM avec des lois de puissance : Zipf et Zipf inverse et les filtres de Gabor pour la caractérisation texturales des tumeurs a été suggérée avec l‟ultime but de gérer simultanément les tâches de segmentation et de classification des tumeurs. Non seulement l'approche suggérée a identifié avec succès la présence de cellules cancéreuses dans le cerveau, mais elle a également identifié correctement le type de cancer présent dans la région d'intérêt segmentée, qu'il s'agisse d'un gliome, d'une tumeur hypophysaire ou d'un méningiome.