Classification of the glioma grading using radiomics analysis

Abstract

BackgroundGrading of gliomas is critical information related to prognosis and survival. We aimed to apply a radiomics approach using various machine learning classifiers to determine the glioma grading.MethodsWe considered 285 (high grade n = 210, low grade n = 75) cases obtained from the Brain Tumor Segmentation 2017 Challenge. Manual annotations of enhancing tumors, non-enhancing tumors, necrosis, and edema were provided by the database. Each case was multi-modal with T1-weighted, T1-contrast enhanced, T2-weighted, and FLAIR images. A five-fold cross validation was adopted to separate the training and test data. A total of 468 radiomics features were calculated for three types of regions of interest. The minimum redundancy maximum relevance algorithm was used to select features useful for classifying glioma grades in the training cohort. The selected features were used to build three classifier models of logistics, support vector machines, and random forest classifiers. The classification performance of the models was measured in the training cohort using accuracy, sensitivity, specificity, and area under the curve (AUC) of the receiver operating characteristic curve. The trained classifier models were applied to the test cohort.ResultsFive significant features were selected for the machine learning classifiers and the three classifiers showed an average AUC of 0.9400 for training cohorts and 0.9030 (logistic regression 0.9010, support vector machine 0.8866, and random forest 0.9213) for test cohorts.DiscussionGlioma grading could be accurately determined using machine learning and feature selection techniques in conjunction with a radiomics approach. The results of our study might contribute to high-throughput computer aided diagnosis system for gliomas.

Classificação de Gliomas Utilizando Índices de Biodiversidade e de Diversidade Filogenética em Imagens por Ressonância Magnética Através de uma Abordagem Radiomics

“…Através da mesma base de dados aqui aplicada, um modelo produzido por [Cho et al 2018] utilizou o algoritmo RF com 5 atributos radiomics de forma e textura para resolver o mesmo problema de classificação, atingindo valores de AUC, acurácia, sensibilidade e especificidade de 0,9213, 0,8877, 0,9429 e 0,7333, respectivamente. Apesar de ter apresentado melhores resultados se comparado ao nosso modelo com RF, obteve um desempenho inferior aos resultados fornecidos por nosso modelo com SVM.…”

“…Trabalho AUC Acurácia Sensibilidade Especificidade N o de atributos [Zacharaki et al 2009] 0,896 0,878 0,846 0,955 24 [Zhang et al 2017] 0,960 0,960 --50 [Cho and Park 2017] 0,887 0,898 0,889 0,907 16-34 [Chen et al 2018] 0,960 0,913 0,913 -25 [Cho et al 2018]* 0,921 0,888 0,943 0,733 5 Método proposto 0,926 0,902 0,962 0,733 47 * Trabalhos com a mesma base de dados aqui utilizada. bela 3 compara resultados obtidos em alguns trabalhos anteriores com os atingidos pela metodologia proposta.…”

“…Um artigo recentemente publicado [Cho et al 2018] apresentou um modelo de classificação entre gliomas de baixo e alto grau utilizando 5 atributos radiomics extraídos da base de dados de MRI fornecida pelo desafio BraTS 2017, mesma base oferecida pelo desafio em 2018 e utilizada em nosso estudo. Os valores de acurácia e AUC obtidos foram de 0,8877 e 0,9213, respectivamente.…”

Brain Tumor Detection and Classification from Multi-sequence MRI: Study Using ConvNets

“…It is observed that VolumeNet performed the best on the holdout dataset, achieving 7% improvement in the accuracy as compared to state-of-the-art method 38 using the same dataset. Note that cross-validation was used in the compared models 37,38 for evaluating performance, with training done on a part of the same data on whose holdout portion testing was evaluated. On the other hand, we trained our models on a different dataset (from TCIA) and tested it on the BraTs dataset.…”

Classificação De Gliomas Utilizando Índices De Biodiversidade E De Diversidade Filogenética Em Imagens Por Ressonância Magnética Através De Uma Abordagem Radiomics

“…Muitos estudos recentes utilizaram atributos radiomics baseados em imagens por ressonância magnética para lidar com o problema de classificação de gliomas, fundamentando-se na ideia de que gliomas de graus mais elevados tendem a apresentar uma estrutura mais heterogênea [8] e utilizando a extração de características de textura e forma para mensurar tal heterogeneidade [13,14,15,16,17,18].…”