مقالة بحثية

الاندماج المعزز متعدد الوسائط للكشف الأمثل عن أورام الدماغ: التقييم والتحليل المقارن

DOI:

10.3791/67822

⸱

يونيو 10, 2025

 ,  ,  ,  ,  ,  , 
1Amity School of Engineering and Technology, Amity University, 2Chitkara University Institute of Engineering and Technology, Chitkara University, 3Thapar Institute of Engineering and Technology, 4Department of Computer Science, Prince Sultan University, 5College of Computer and Information Sciences, Prince Sultan University, 6College of Computer and Information Sciences, Imam Mohammad Ibn Saud Islamic University

في هذه المقالة

ملخص

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

تقترح هذه الدراسة طريقة محسنة للكشف عن أورام المخ من خلال دمج وتقييم خمسة نماذج تم تدريبها مسبقا. يحقق هذا النهج دقة وتعميم محسطين من خلال استخدام تكبير الصورة المتقدمة ، وضبط المعلمات الفائقة ، والعديد من المحسنات ، مما يقدم مساهمات كبيرة في التصوير الطبي لتشخيص أورام الدماغ.

الملخص

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

تمثل أورام المخ تحديا طبيا كبيرا ، مما يتطلب طرق كشف دقيقة وفعالة للتدخل في الوقت المناسب. يدمج هذا العمل العديد من النماذج الأساسية المدربة مسبقا ، مثل VGG16 و MobileNetV2 و DenseNet121 و InceptionV3 و ResNet50 ، لاقتراح طريقة جديدة لتشخيص أورام الدماغ. تم اقتراح تقنية مبسطة وموحدة لاستيعاب مختلف النماذج الأساسية ، مما يضمن الاتساق وسهولة الصيانة وتسهيل مقارنة النماذج. لتضخيم مجموعة متنوعة من مجموعة بيانات التدريب وتعزيز تعميم النموذج ، يتم استخدام طرق تكبير الصورة البارزة مثل ضبط السطوع والتباين. علاوة على ذلك ، تم تصميم خط أنابيب تدريب فعال يستخدم مولدات البيانات لمعالجة مجموعات البيانات الكبيرة بكفاءة مع الحفاظ على قوة الحوسبة.

أجرت الدراسة تحليلا شاملا باستخدام ثلاثة محسنات مختلفة (Adam و Stochastic Gradient Descent و Adamax) مطبقة على كل نموذج أساسي تم تدريبه مسبقا ، مع تعديلات شاملة للمعلمات الفائقة. تستخدم مقاييس مثل الاستدعاء والدقة والدقة ودرجة F1 ومصفوفات الارتباك لتقييم أداء النموذج ، مما يوفر فهما شاملا لسلوك النموذج. قدمت المقارنة المنهجية لأداء كل نموذج فحصا متعمقا لنقاط القوة والضعف ، مما سهل اختيار النموذج المستنير واتخاذ القرار لتطبيقات الكشف عن أورام الدماغ. حقق MobileNetV2 أعلى أداء عام بدقة 96٪ ، ودقة 96٪ ، واستدعاء 94٪ ، ودرجة F1 بنسبة 95٪ باستخدام محسن Adam. كما حقق أداء DenseNet121 و VGG16 أداء جيدا ، حيث حققا دقة بنسبة 95٪ و 94٪ على التوالي. أظهر InceptionV3 أداء أقل قليلا مقارنة بالموديلات الأفضل أداء ، بدقة 93٪ ، ودقة 93٪ ، واستدعاء 91٪ ، ودرجة F1 بنسبة 92٪. أظهر ResNet50 أداء أقل نسبيا بدقة 77٪ ، ودقة 78٪ ، واستدعاء 76٪ ، ودرجة F1 بنسبة 76٪. توضح هذه المقاييس متانة وفعالية الطريقة المقترحة للكشف عن أورام الدماغ.

المقدمة

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

تشكل أورام المخ ، سواء كانت حميدة أو خبيثة ، تهديدا كبيرا لصحة الإنسان ورفاهيته. يلعب الكشف عن هذه الأورام في الوقت المناسب دورا محوريا في تحديد نتائج المرضى ، مما يجعلها أولوية في المجال الطبي1،39 (انظر أيضا الجدول التكميلي S1). إن اكتشاف أورام المخ في مرحلة مبكرة ليس هدفا طبيا حيويا فحسب ، بل يعد أيضا شريان حياة حاسما للمرضى. من خلال تمكين التدخل في الوقت المناسب والوصول إلى خيارات العلاج الفعالة ، فإنه يعزز تحسين التشخيص ، وتمكين المرضى ، ويقلل من العبء الإجمالي لهذه الحالة الصعبة40. تعد المراقبة المستمرة لتطور المرض ، التي تسهلها تقنيات مثل التصوير بالرنين المغناطيسي ، ضرورية لتعديل استراتيجيات العلاج1،3 واكتشاف المضاعفات المحتملة. لا يحسن الاكتشاف المبكر بقاء المريض على قيد الحياة فحسب ، بل يعزز أيضا نوعية الحياة من خلال توفير الأمل في نتائج ناجحة وتشخيص أفضل على المدى الطويل.

التعلم العميق مفيد في الكشف عن أورام المخ ، حيث يوفر قدرات لا مثيل لها في تحليل بيانات التصوير الطبي المعقدة4،5،6 بدقة وسرعة ملحوظة. تعد نماذج التعلم العميق ، لا سيما تلك التي تستخدم هياكل الشبكة العصبية المتقدمة مثل الشبكات العصبية التلافيفية (CNNs) ، فعالة للغاية في تحديد الأنماط والميزات المعقدة بشكل مستقل من مجموعة متنوعة من طرق التصوير الطبي ، مثل التصوير المقطعي المحوسب (CT) ، والتصوير المقطعي بالإصدار البوزيتروني (PET) ، والتصوير بالرنين المغناطيسي7،41.

تتمثل إحدى الفوائد الرئيسية للتعلم العميق في تحديد أورام المخ في قدرته على اكتشافها في المراحل المبكرةجدا 8،9،10،11. من خلال تمييز التشوهات الدقيقة في الصور الطبية التي قد تتهرب من الملاحظة البشرية ، تمكن خوارزميات التعلم العميق مقدمي الرعاية الصحية من بدء العلاج على الفور ، وبالتالي تجنب تطور الورم12،15،17،18،19،20 وتعزيز نتائج المريض15،17. هذه القدرة ضرورية لتوجيه قرارات العلاج والتنبؤ بتشخيص المريض24،25،26. يمكن لنماذج التعلم العميق ، المدربة على مجموعات بيانات واسعةالنطاق 27،28،29 أن تفهم العلاقات المعقدة بين ميزات التصوير وأمراض الورم ، مما يوفر رؤى تشخيصية دقيقة ويمكن الاعتمادعليها 30،31،32،33.

أدخلت التطورات الحديثة في التعلم العميق البنى القائمة على المحولات ، المصممة في البداية لمعالجة اللغة الطبيعية ، كأدوات لتغيير قواعد اللعبة في التصوير الطبي. على عكس شبكات CNN التقليدية ، تستخدم المحولات آليات الانتباه الذاتي لالتقاط تبعيات البيانات العالمية ، مما يجعلها فعالة بشكل خاص للمهام المعقدة مثل تجزئة الورم وتصنيفه. سلطت دراسات مثل تلك التي أجراها سعيد وآخرون 41 ومحمود وآخرون الضوء على نجاح النماذج المحسنة بالمحولات مثل DeepLabV3 + و TransResUNet ، والتي حسنت بشكل كبير دقة التجزئة وقابلية التفسير في الكشف عن أورام الدماغ. توفر هذه النماذج فهما أعمق للصور الطبية ، كما هو موضح من قبل Xuanzhi et al.40 ، حيث تم تطبيق المحولات للنمذجة التنبؤية.

تعمل قدرتهم على رسم خرائط للعلاقات المكانية المعقدة مع اعتماد أقل على مجموعات البيانات الكبيرة المصنفة على تحويل المجال ، مما يمهد الطريق لحلول تشخيصية أكثر تكيفا وقابلية للتطوير. يمثل هذا تحولا كبيرا في التصوير الطبي ، مع التركيز على الدقة والكفاءة في الكشف والتحليل. ظهر اكتشاف أورام المخ باستخدام التعلم العميق كمجال رئيسي للتركيز في التصوير الطبي ، مدفوعا بالتقدم في نقل التعلم وطرق التحسين1. على الرغم من هذه التطورات ، لا تزال هناك تحديات ، مثل التباين في أداء النموذج ، وعدم كفاية الاستكشاف لتقنيات التحسين ، والتقييم المحدود لاستراتيجيات ضبط المعلمات الفائقة وزيادة البيانات.

تحويل التعلم في التصوير الطبي

تقنيات التحسين: غالبا ما تكافح خوارزميات التحسين الحالية من أجل تحقيق التوازن بين الكفاءة الحسابية وسرعة التقارب ، خاصة في المساحات عالية الأبعاد. هناك حاجة إلى طرق تحسين تكيفية وهجينة يمكنها التكيف ديناميكيا مع المناظر الطبيعية المختلفة للمشكلات.

زيادة البيانات والمعالجة المسبقة: قد تقدم تقنيات زيادة البيانات الحالية تحولات غير واقعية لا تعمم جيدا على سيناريوهات العالم الحقيقي. هناك حاجة إلى مزيد من البحث حول استراتيجيات الزيادة التكيفية التي تأخذ في الاعتبار القيود الخاصة بالمجال وتحافظ على سلامة البيانات.

مقارنات النماذج: تركز معظم دراسات مقارنة النماذج على مجموعات البيانات المعيارية ، والتي قد لا تعكس تعقيدات العالم الحقيقي. هناك فجوة بحثية في تقييم النماذج عبر مجموعات البيانات المتنوعة والصاخبة وغير المتوازنة لفهم قدراتها الحقيقية على التعميم.

استخراج الميزات عبر نماذج التعلم العميق: بينما يمكن لنماذج التعلم العميق استخراج الميزات تلقائيا ، إلا أنها غالبا ما تفتقر إلى قابلية التفسير. هناك حاجة إلى مزيد من العمل على طرق استخراج الميزات القابلة للتفسير التي توفر رؤى حول التمثيلات المكتسبة.

استراتيجيات التحسين: لا تستفيد العديد من استراتيجيات التحسين بشكل كامل من المعرفة الخاصة بالمجال ، مما يؤدي إلى حلول دون المستوى الأمثل. مطلوب بحث حول دمج الاستدلال المدرك للمجال في أطر التحسين لتحسين الأداء.

التحديات في زيادة البيانات: يمكن أن تؤدي زيادة البيانات إلى معلومات زائدة عن الحاجة أو مضللة ، مما يؤثر سلبا على أداء النموذج. لا تزال معالجة المفاضلة بين التنوع المعزز وواقعية البيانات تمثل تحديا مفتوحا في تطبيقات التعلم العميق.

يكشف التحليل النقدي للعمل التجريبي الذي تم إجراؤه في البحث المقترح عن نقاط القوة والضعف الملحوظة. على الجانب الإيجابي ، أثبتت نماذج التعلم التحويلي فعاليتها العالية في استخراج الميزات المعقدة ، مما يمكنها من التفوق في مهام مثل اكتشاف أورام الدماغ. بالإضافة إلى ذلك ، أثبتت تقنيات التحسين المتقدمة ، بما في ذلك محسن Adam المستخدم على نطاق واسع والأساليب الأحدث ، قدرتها على تحسين معدلات التقارب والأداء العام للنموذج.

ومع ذلك ، لا تزال هناك بعض القيود. كان هناك استكشاف محدود للتفاعلات بين المحسنين والنماذج، والتي يمكن أن توفر رؤى أعمق لتحقيق الأداء الأمثل. علاوة على ذلك ، تم تحديد التركيز غير الكافي على ضبط المعلمات الفائقة على أنه عيب ، لأنه يلعب دورا مهما في ضمان قابلية التكرار والاتساق عبر التطبيقات المختلفة.

تبدأ هذه الورقة بالعمل التأسيسي على استخراج الميزات ونقل التعلم ، وتتقدم إلى مجالات متقدمة مثل التحسين والزيادة ، وتختتم بتحديد الفجوات البحثية الرئيسية. تم تسليط الضوء على العديد من الثغرات الرئيسية في الأدبيات الموجودة. تتمثل إحدى المشكلات المهمة في المقارنة المعيارية غير المتسقة لنماذج التعلم التحويلي ، حيث لا يتم تقييمها بشكل موحد عبر محسنات مختلفة ، كما هو مذكور في الدراسات6،36. تكمن الفجوة الأخرى في الاستكشاف المحدود لضبط المعلمات الفائقة ودوره الحاسم في التأثير على أداء النموذج ، كما حدده البحث14،37. بالإضافة إلى ذلك ، هناك نقص في المبررات الكافية لاستراتيجيات التعزيز المستخدمة في الدراسات المختلفة ، لا سيما فيما يتعلق بتأثيرها على متانة النموذج وتعميمها ، كما لوحظ في الأعمال15 ، 23. تشير هذه الثغرات إلى الحاجة إلى نهج أكثر توحيدا وصرامة في البحوث المستقبلية.

لمعالجة هذه الفجوات ، تتميز هذه الدراسة بتقييمها الشامل لخمسة نماذج مدربة مسبقا - VGG16 و MobileNetV2 و DenseNet121 و InceptionV3 و ResNet50 مقترنة بثلاثة محسنات (Adam و SGD و Adamax). من خلال معالجة الفجوات في المقارنة المعيارية واستكشاف تفاعلات نموذج المحسن ، فإنه يقدم تحليلا شاملا لديناميكيات الأداء. يعمل الضبط الصارم للمعلمات الفائقة باستخدام البحث الشبكي على تحسين المعلمات الرئيسية مثل معدلات التعلم وأحجام الدفعات ومعدلات التسرب ، مما يؤدي إلى تحسين أداء النموذج.

تقدم الدراسة أيضا استراتيجيات زيادة مخصصة ، بما في ذلك تعديلات السطوع والتباين ، لتحسين تعميم النموذج. يضمن إطار التقييم الموحد باستخدام المقاييس الرئيسية مقارنة عادلة ومتسقة عبر النماذج. والجدير بالذكر أن MobileNetV2 يبرز كأفضل نموذج أداء للكشف عن أورام المخ ، حيث يوفر رؤى قابلة للتنفيذ ويضع معيارا جديدا للاستنساخ والكفاءة في أبحاث التصوير الطبي.

كانت النماذج المدربة مسبقا المدرجة في الدراسة هي VGG16 و MobileNetV2 و DenseNet121 و InceptionV3 و ResNet50 ، حيث تم اختبارها بشكل كبير وأثبتت فعاليتها في مهام مثل تصنيف الصور مع تطبيق نقاط قوتها المعمارية الفريدة لتمثيل التنوع. يوفر VGG16 إطارا سهلا وقويا لاستخراج الميزات الهرمية ، بينما يتميز NetV2 المحمول بخفة الوزن مع بنى مناسبة للبيئات المحدودة الموارد. يعمل DenseNet121 على تحسين الكفاءة من خلال إعادة استخدام الميزات مع اتصال كثيف. يستخدم وحدات Inception التي تلتقط الميزات على مستويات مختلفة باستخدام InceptionV3. يتجنب Resnet50 ، جنبا إلى جنب مع التوصيلات المتبقية ، تلاشي التدرجات تماما. تم اختيار جميع المحسنين الثلاثة ل SGD لقياسها مقابل التحسين ، آدم ، بسبب تهجينها للزخم جنبا إلى جنب مع معدل التعلم التكيفي ، مما يمنحها تقاربا سريعا ، و Adamax التي كانت قوية جدا ، لا سيما مع التدرجات المتناثرة.

تقدم هذه الدراسة مساهمة فريدة في هذا المجال من خلال الجمع بين تقييم البنى المتعددة وتحليل المحسن وضبط المعلمات الفائقة في إطار شامل واحد ، مما يعزز بشكل كبير قاعدة المعرفة الحالية. تضمن منهجياتها المنهجية والتقارير التفصيلية قابلية التكرار ، مما يسمح للباحثين الآخرين بتكرار النتائج أو استخدامها كأساس لمزيد من التقدم. علاوة على ذلك ، فإن الأهمية العملية لهذا العمل واضحة ، حيث يمكن لنتائجه أن توجه بشكل مباشر تطوير أنظمة التصوير الطبي المستقبلية ، مما يؤدي إلى تحسينات في كل من الدقة والكفاءة للتطبيقات السريرية.

يركز العمل المنجز في هذا البحث على تطوير قاعدة تعليمات برمجية مبسطة وموحدة تستوعب نماذج أساسية مختلفة ، مما يضمن الاتساق في التنفيذ ، وسهولة الصيانة ، وتسهيل مقارنة النموذج علاوة على ذلك ، تم تقديم نهج جديد من خلال دمج نماذج القاعدة المدربة مسبقا ، بما في ذلك VGG16 و MobileNetV2 و DenseNet121 و InceptionV3 و ResNet50 ، للاستفادة من بنياتها الفريدة للكشف عن أورام الدماغ. يتضمن العمل طرق تكبير الصورة ، بما في ذلك تعديلات السطوع والتباين ، لزيادة تنوع مجموعة بيانات التدريب وتعزيز تعميم النموذج. الهدف من هذا العمل هو تصميم وتنفيذ خط أنابيب تدريب فعال يستخدم مولدات البيانات لمعالجة مجموعات البيانات الضخمة بسلاسة وتدريب النماذج بشكل فعال مع الحفاظ على قوة الحوسبة. يتم إجراء تحليل شامل للعمل المقترح باستخدام ثلاثة محسنات مختلفة: Adam و Stochastic Gradient Descent (SGD) و Adamax المطبقة على خمسة نماذج أساسية متميزة مدربة مسبقا (VGG16 و MobileNetV2 و DenseNet121 و InceptionV3 و ResNet50). أخيرا ، يتم إجراء تقييم متعمق لأداء النموذج من خلال فحص المقاييس الرئيسية مثل الاستدعاء والدقة والدقة ودرجة F1 ومصفوفات الارتباك لاكتساب فهم شامل لسلوك النموذج.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

البروتوكول

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

يوضح الشكل 7 مخططا تخطيطيا يمثل المنهجية العامة للنهج المقترح. في الطريقة المقترحة ، تتم معالجة صور التصوير بالرنين المغناطيسي لأورام الدماغ مسبقا باستخدام تقنيتين شائعتين - التطبيع والقياس. يتم استخدام بعض نماذج تعلم النقل المدربة مسبقا مثل VGG16 و MobileNetV2 و DenseNet121 و ResNet50 و InceptionV3 في هذا العمل. بعد التدريب ، يتم اختبار النماذج في حالات افتراضية ، ويتم إجراء تحليل شامل للتحقق من أداء النماذج بناء على مقاييس الأداء المختلفة مثل الدقة والاستدعاء والدقة ودرجة F1. تستخدم التقنية المقترحة التعلم العميق لتعزيز كفاءة تصنيف أورام المخ ودقتها ، مما قد يحسن عملية التشخيص الطبي في المستقبل.

1. الحصول على مجموعة البيانات

  1. الحصول على مجموعة البيانات: قم بتنزيل مجموعة بيانات فحص التصوير بالرنين المغناطيسي لورم الدماغ من Kaggle ، والتي تتكون من 7023 صورة مصنفة إلى أربع فئات: الغدة النخامية ، وبدون ورم ، والورم السحائي، والورم الدبقي.
  2. تقسيم مجموعة البيانات: قسم مجموعة البيانات إلى مجموعة تدريب (5,712 صورة) ومجموعة اختبار (1,311 صورة).
    ملاحظة: تأكد من أن توزيع الفصول متوازن عبر مجموعات التدريب والاختبار لتقييم النموذج غير المتحيز. يوضح الشكل 8 التوزيع المرئي للصور بين الفئات المختلفة داخل مجموعة بيانات التدريب. يمكن رؤية بعض مجموعات بيانات عينات صور التصوير بالرنين المغناطيسي من أربع فئات مختلفة في الشكل 9.

2. المعالجة المسبقة للبيانات

  1. تحويل الصورة:
    1. قم بتحويل كل صورة تصوير بالرنين المغناطيسي إلى تمثيل رقمي باستخدام مكتبة تصوير Python (PIL).
      1. تأكد من تثبيت PIL (وسادة) و numpy.
      2. افتح فحص التصوير بالرنين المغناطيسي باستخدام PIL.
      3. إذا لزم الأمر، قم بتحويل الصورة إلى تدرج الرمادي لتبسيط المعالجة.
      4. تحويل إلى NumPy Array - قم بتحويل الصورة إلى تنسيق رقمي.
  2. زيادة البيانات:
    1. ضبط السطوع: استخدم وظيفة ImageEnhance.Brightness لتغيير سطوع الصورة بشكل عشوائي بعامل يتراوح من 0.8 إلى 1.2.
    2. ضبط التباين: قم بتطبيق وظيفة ImageEnhance.Contrast لتغيير تباين الصورة بشكل عشوائي في نطاق 0.8 إلى 1.2.
      ملاحظة: يتم تنفيذ تقنيات الزيادة هذه لمحاكاة الاختلافات في ظروف التصوير في العالم الحقيقي ، مما يعزز متانة النموذج.
  3. التطبيع: قم بتحويل الصور المعززة إلى مصفوفات NumPy باستخدام مكتبة PIL لتحميل الصورة وتطبيق الزيادة (على سبيل المثال ، التقليب ، التدوير). علاوة على ذلك ، قم بتحويل الصورة المعززة إلى تمثيل رقمي (img_array = np.array(img_aug). اعتمادا على نموذج التعلم الآلي ، أعد تشكيل المصفوفة أو تسويتها (img_vector = img_array.flatten()). أخيرا ، قم بتطبيعها بقسمة قيم البكسل على 255.0 للتأكد من أنها تقع ضمن النطاق [0 ، 1].
    ملاحظة: تضمن هذه الخطوة مدخلات متسقة للنموذج ، مما يسهل التدريب والأداء المستقرين.

3. نقل التعلم لتصنيف الورم

  1. تحديد النموذج: حدد النماذج التي تم تدريبها مسبقا، بما في ذلك VGG16 وMobileNetV2 وDenseNet121 وInceptionV3 وResNet50 لنقل التعلم.
  2. استخراج الميزات: استخدم النماذج المدربة مسبقا كمستخلصات ميزات عن طريق تعيين غالبية طبقاتها على أنها غير قابلة للتدريب. ارجع إلى السطر أدناه من التعليمات البرمجية لتعيين الطبقات على أنها غير قابلة للتدريب. للطبقة في base_model.layers[:15]:
    layer.trainable = خطأ
    ملاحظة: تستفيد هذه الخطوة من التمثيلات الهرمية المستفادة من مجموعات البيانات الكبيرة والمتنوعة من أجل تعميم أفضل لمجموعة البيانات الطبية المستهدفة.
  3. الضبط الدقيق: قم بإلغاء تجميد الطبقات الثلاث الأخيرة من كل نموذج تم تدريبه مسبقا للتكيف مع المهمة المحددة للكشف عن ورم الدماغ باستخدام مقتطف الكود أدناه: للطبقة في base_model.layers[-3:]: layer.trainable = True
    ملاحظة: يسمح الضبط الدقيق للنموذج بالتركيز على الميزات ذات الصلة باكتشاف تشوهات الدماغ.

4. نماذج التعلم العميق لتصنيف الورم

  1. هيكل النموذج الموحد:
    1. أضف طبقة تسطيح إلى كل نموذج لتحويل الميزات الهرمية إلى صفيف أحادي البعد بعد التسوية، أضف طبقات كثيفة لمهام التصنيف أو الانحدار.
    2. قم بتضمين طبقات التسرب (بمعدلات 0.3 و 0.2) لتقليل الإفراط في التركيب وتحسين التعميم.
  2. طبقات كثيفة:
    1. أضف طبقة كثيفة تحتوي على 128 خلية عصبية باستخدام تنشيط الوحدة الخطية المصححة (ReLU).
    2. قم بتضمين طبقة كثيفة نهائية مع تنشيط softmax لتصنيف متعدد الفئات لصور أورام الدماغ.
      ملاحظة: يضمن هذا الهيكل الموحد عبر النماذج تقييما ومقارنة متسقين.

5. التدريب والتحسين

  1. مواصفات الإدخال: توحيد أبعاد إدخال الصور إلى (224، 224، 3) لجميع الطرازات. قم بتعيين المعلمة include_top إلى False، باستثناء طبقات التصنيف المتصلة بكثافة واستخدام النماذج فقط كمستخلصات ميزات.
  2. تهيئة الوزن: استخدم أوزان imagenet للتهيئة عبر جميع الطرز لتعزيز المقارنات العادلة والهادفة.
  3. التجميع: قم بتجميع جميع النماذج باستخدام وظيفة فقدان sparse_categorical_crossentropy ومقياس sparse_categorical_accuracy .
    ملاحظة: تكون دالة الخسارة المحددة مناسبة للتصنيف متعدد الفئات عندما تكون التسميات صحيحة.
  4. استراتيجية التحسين:
    1. أحجام الدفعات: اختبر أحجام الدفعات 16 و 32 و 64 لتحديد الحجم الأمثل لسرعة التدريب والأداء.
    2. معدلات التعلم: استخدم معدل تعلم قدره 0.0001 لمحسن Adam و 0.001 لمحسنات SGD و Adamax.
    3. معدلات التسرب: تقييم معدلات التسرب من المدرسة 0.2 و 0.3 و 0.5 لمنع الإفراط في التجهيز.
      ملاحظة: يتم ضبط هذه المعلمات لكل طراز لضمان الأداء الأمثل.
  5. معلمات التدريب: قم بتعيين حجم دفعة موحد من 20 وتدرب لمدة 50 حقبة عبر جميع النماذج.
    تنفيذ التوقف المبكر بناء على عدد الفترات لمنع الإفراط في التركيب والحمل الحسابي غير الضروري.
    ملاحظة: يتيح هذا الإجراء الموحد مقارنة عادلة لأداء النموذج.

6. تقييم النموذج

  1. مقاييس الأداء: قم بتقييم كل نموذج باستخدام مقاييس مثل الدقة والدقة والاستدعاء ودرجة F1.
  2. مصفوفات الارتباك: قم ببناء مصفوفات الارتباك لتحليل مفصل للتصنيفات الخاطئة عبر الفئات.
    ملاحظة: توفر هذه التقييمات نظرة ثاقبة لنقاط القوة والضعف في كل نموذج، مما يوجه المزيد من التحسينات.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

النتائج

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

يتضمن تقييم أداء كل من النماذج الخمسة - VGG16 و MobileNetV2 و DenseNet121 و InceptionV3 و ResNet50 - تحليلا مفصلا مع منحنيات الدقة ومصفوفات الارتباك وتقارير التصنيف. هذه المقاييس والتصورات هي أدوات مهمة لتقييم كفاءة النماذج في الكشف عن أورام الدماغ. يتم تمثيل تقدم تعلم النماذج على مدى العصور ديناميكيا من خلال منحنيات الدقة ، والتي تلقي الضوء أيضا على الإفراط في التركيب والتقارب المحتمل للنماذج.

يقدم مقياس الدقة تقييما شاملا لتصن...

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

المناقشة

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

أداء النموذج

الاستخدام الفعال لنماذج التعلم العميق (المدربة مسبقا) هو السبب الرئيسي للأداء القوي في تحديد أورام الدماغ. مجموعة من البنى البارزة المستخدمة لتقييم الأداء هي VGG16 و MobileNetV2 و DenseNet121 و InceptionV3 و ResNet50. تتمتع هذه النماذج بقدرات رائعة في استخراج الميزات لأنها خضعت للتدريب المسبق باستخدام مجموعات واسعة من بيانات الصور. تم تحسين الأوزان وفقا لمجموعة بيانات أورام المخ ، مما يتيح تحديد ا...

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

الإفصاحات

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

ليس لدى المؤلفين أي تضارب في المصالح للإعلان عنه.

شكر وتقدير

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

يود المؤلفون أن يقدروا دعم جامعة الأمير سلطان لدفع رسوم معالجة المقالات (APC) لهذا المنشور.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

المواد

قائمة المواد المستخدمة في هذه المقالة
الاسمالشركةرقم فهرسيالتعليقات
البنية التحتية لوحدة معالجة الرسومات و Jupyter NotebookKaggle (مزود النظام الأساسي عبر الإنترنت) البنيةTesla-P100التي توفرها Kaggle ' خدمة Jupyter Notebook ، باستخدام أحدث وحدة معالجة رسومات NVIDIA Tesla P100
Core i5-8350UInteli5-8350UIntel Core i5-8350U وحدة المعالجة المركزية @ 1.70 جيجاهرتز (1.90 جيجاهرتز كحد أقصى) للمعالجة المحلية
ذاكرة الوصول العشوائيالقياسية8GB_RAM8 جيجابايت من ذاكرة الوصول العشوائي لمعالجة البيانات
نظام التشغيلMicrosoftWindows_64نظام التشغيل Windows 64 بت للمعالجة المحلية
PythonLibraries Python CommunityN / ANumPy ، scikit-learn ، PIL ، TensorFlow 2.12 ، Keras 2.12
التحتية لوحدة معالجة الرسومات Intel

المراجع

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Banoori, F., et al. Few-shot bioacoustics event detection using transudative inference with data augmentation. IEEE Sens Lett. 8 (3), 1-4 (2024).
  2. HISBmodel: A rumor diffusion model based on human individual and social behaviors in online social networks. Hosni, A. I. E., Li, K., Ahmed, S. Neural Information Processing: 25th International Conference, ICONIP 2018, Siem Reap, Cambodia, Proceedings, Part II 25, December 13-16, 2018, , Springer International Publishing. Cambodia. 14-27 (2018).
  3. Deep facial expression recognition of facial variations using fusion of feature extraction with classification in end to end model. Ullah, A., et al. 2019 Int. Conf Emerg Trends Eng Sci Technol (ICEEST, 4, 112-118 (2019).
  4. Ali, S., et al. State-of-the-art challenges and perspectives in multi-organ cancer diagnosis via deep learning-based methods. Cancers (Basel). 13 (21), 1-23 (2021).
  5. Woźniak, M., Siłka, J., Wieczorek, M. Deep neural network correlation learning mechanism for CT brain tumor detection. Neural Comput. Appl. 35 (20), 14611-14626 (2023).
  6. Liu, X., Wang, Z. Deep learning in medical image classification from MRI-based brain tumor images. arXiv preprint. , (2024).
  7. Jia, Z., Chen, D. Brain tumor identification and classification of MRI images using deep learning techniques. IEEE Access. , (2020).
  8. Saba, T., Mohamed, A. S., El-Affendi, M., Amin, J., Sharif, M. Brain tumor detection using fusion of hand crafted and deep learning features. Cognit Syst Res. 59, 221-230 (2020).
  9. Mohanty, B. C., et al. Feature-enhanced deep learning technique with soft attention for MRI-based brain tumor classification. Int J Inf Technol. 16 (3), 1617-1626 (2024).
  10. A comprehensive survey and adaptive fuzzy median filtering based breast cancer detection and segmentation techniques. Srinivas, B., Sriram, M., Ganesan, V. Proc 2nd Int Conf Intell Innov Technol Comput Electr Electron (ICIITCEE), , 1-8 (2024).
  11. Abdusalomov, A. B., Mukhiddinov, M., Whangbo, T. K. Brain tumor detection based on deep learning approaches and magnetic resonance imaging. Cancers. 15 (16), 4172(2023).
  12. Amin, J., et al. Brain tumor detection by using stacked autoencoders in deep learning. J Med Syst. 44, 1-12 (2020).
  13. Saeedi, S., et al. MRI-based brain tumor detection using convolutional deep learning methods and chosen machine learning techniques. BMC Med Inform Decis Mak. 23 (1), 1-17 (2023).
  14. Asiri, A. A., et al. Optimized brain tumor detection: A dual-module approach for MRI image enhancement and tumor classification. IEEE Access. 12, 42868-42887 (2024).
  15. Sadad, T., et al. Brain tumor detection and multi-classification using advanced deep learning techniques. Microsc Res Tech. 84 (6), 1296-1308 (2021).
  16. Swaraja, K., et al. Segmentation and detection of brain tumor through optimal selection of integrated features using transfer learning. Multimedia Tools Appl. 81 (19), 27363-27395 (2022).
  17. Deep learning based on NASNet for plant disease recognition using leave images. Adedoja, A., Owolawi, P. A., Mapayi, T. Proc 2nd Int Conf Adv Big Data, Comput Data Commun Syst (icABCD), , 1-5 (2019).
  18. Chattopadhyay, A., Maitra, M. MRI-based brain tumour image detection using CNN based deep learning method. Neurosci Inform. 2 (4), 100060(2022).
  19. Hashemzehi, R., et al. Detection of brain tumors from MRI images based on deep learning using hybrid model CNN and NADE. Biocybern Biomed Eng. 40 (3), 1225-1232 (2020).
  20. Maquen-Niño, E., et al. Brain tumor classification deep learning model using neural networks. Int J Online Biomed Eng. 19 (9), 81-92 (2023).
  21. Kaur, R., Kumar, R., Gupta, M. Review on transfer learning for convolutional neural network. Proc 3rd Int Conf Adv Comput Commun Control Netw (ICAC3N), , 922-926 (2021).
  22. Hu, A., Razmjooy, N. Brain tumor diagnosis based on metaheuristics and deep learning. Int J Imaging Syst Technol. 31 (2), 657-669 (2021).
  23. Kadry, S., et al. Evaluation of brain tumor using brain MRI with modified-moth-flame algorithm and Kapur's thresholding: A study. Evol Intell. 14 (2), 1053-1063 (2021).
  24. Sethi, B. K., et al. Long short-term memory-deep belief network-based gene expression data analysis for prostate cancer detection and classification. IEEE Access. 12, 1508-1524 (2023).
  25. Vishnuvarthanan, G., et al. Tumor detection in T1, T2, FLAIR and MPR brain images using a combination of optimization and fuzzy clustering improved by seed-based region growing algorithm. Int J Imaging Syst Technol. 27 (1), 33-45 (2017).
  26. Sharif, M. I., et al. A decision support system for multimodal brain tumor classification using deep learning. Complex Intell Syst. 8 (4), 3007-3020 (2022).
  27. ÇETİNER, H., ÇETİNER, I. Classification of cataract disease with a DenseNet201 based deep learning model. Iğdır Üniv Fen Bilim Enstitüsü Derg. 12 (3), 1264-1276 (2022).
  28. Sharif, M. I., et al. A decision support system for multimodal brain tumor classification using deep learning. Complex Intell Syst. 8 (4), 3007-3020 (2022).
  29. Mehmood, M., et al. Enhancing brain tumor classification in MRI scans with a multi-layer customized convolutional neural network approach. Front Comput Neurosci. 18, 1418546(2024).
  30. MindSight: Revolutionizing brain tumor diagnosis with deep learning. Gandham, R., et al. Proc 13th Int Conf Commun Syst Netw Technol (CSNT), , IEEE. (2024).
  31. Hernandez Petzsche, M. R., et al. ISLES 2022: A multi-center magnetic resonance imaging stroke lesion segmentation dataset. Sci Data. 9 (1), 762(2022).
  32. Rammurthy, D., Mahesh, P. K. Whale Harris hawks optimization-based deep learning classifier for brain tumor detection using MRI images. J King Saud Univ Comput Inf Sci. 34 (6), 3259-3272 (2022).
  33. Maharjan, S., et al. A novel enhanced softmax loss function for brain tumour detection using deep learning. J Neurosci Methods. 330, 108520(2020).
  34. Simonyan, K., Zisserman, A. Very deep convolutional networks for large-scale image recognition. arXiv preprint. , (2014).
  35. Mobilenetv2: Inverted residuals and linear bottlenecks. Sandler, M., et al. Proc IEEE Conf Comput Vision Pattern Recognit, , 4510-4520 (2018).
  36. Ullah, N., et al. Enhancing explainability in brain tumor detection: A novel DeepEBTDNet model with LIME on MRI images. Int J Imaging Syst Technol. 34 (1), e23012(2024).
  37. Iqbal, S., Uddin, M. I., Baig, M. M. Hybrid parallel fuzzy CNN paradigm: Unmasking intricacies for accurate brain MRI insights. IEEE Trans Fuzzy Syst. , (2024).
  38. Mehmood, M., Rasool, N., et al. TransResUNet: Revolutionizing glioma brain tumor segmentation through transformer-enhanced residual UNet. IEEE Access. , (2024).
  39. Ullah, M. S., et al. Multimodal brain tumor segmentation and classification from MRI scans based on optimized DeepLabV3+ and interpreted networks information fusion empowered with explainable AI. Comput Biol Med. 182, 109183(2024).
  40. Xuanzhi, L., et al. BrainNet: An automated approach for brain stress prediction utilizing electrodermal activity signal with XLNet model. Front Comput Neurosci. 18, 1482994(2024).
  41. Saeed, T., et al. Neuro-XAI: Explainable deep learning framework based on DeepLabV3+ and Bayesian optimization for segmentation and classification of brain tumor in MRI scans. J Neurosci Methods. 410, 110247(2024).

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

إعادة الطباعة والأذونات

طلب إذن لإعادة استخدام النص أو الأشكال في مقالة JoVE هذه

طلب إذن

الوسوم

MobileNetV2 VGG16 DenseNet121 InceptionV3 ResNet50
الفيديو قريباً

مقالات ذات صلة