Research Article

إطار عمل قائم على الشبكة العصبية التلافيفية لتصنيف أورام المخ وتجزئتها باستخدام صور الرنين المغناطيسي

DOI:

10.3791/68428

⸱

September 5th, 2025

 ,  , 
1Chitkara University Institute of Engineering and Technology, Chitkara University

In This Article

Summary

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

تم استخدام خوارزميات التعلم العميق في التصوير بالرنين المغناطيسي لإجراء تصنيف ورم المخ وتجزئته باستخدام U-Net. تم تنفيذ InceptionV3 و DenseNet201 و Inception-ResNet-v2 بدقة ممتازة في نوع الورم والتنبؤ بالدرجة. نماذج هجينة معززة GPT-4.0 لإنشاء التقارير الطبية التلقائية والمساعدة التشخيصية.

Abstract

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

يعد التشخيص المبكر لأورام المخ أمرا بالغ الأهمية لتحسين التشخيص واختيار العلاج للمريض. يعد التجزئة الدقيقة لأورام الدماغ وتصنيفها أمرا ضروريا لإنشاء تقنيات علاج متخصصة. مع زيادة استخدام التصوير بالرنين المغناطيسي لتشخيص الدماغ وتحسن تقنية الرؤية الحاسوبية أيضا ، فإن وجود نموذج جيد وفعال لتحديد الأورام وتصنيفها بناء على فحوصات التصوير بالرنين المغناطيسي لا يزال يمثل تحديا. لمعالجة هذه المشكلة ، اقترح المؤلفون تقنية قائمة على التعلم العميق لتقسيم وتصنيف أورام المخ من مجموعات بيانات مختلفة. استخدمت المعالجة المسبقة للصور تسع طرق لزيادة لتحسين أداء النموذج. تم تجزئة التصوير بالرنين المغناطيسي باستخدام نموذج U-Net.

يتنبأ نموذج التصنيف المطور المستند إلى InceptionV3 و DenseNet201 بوجود الورم ويصنفه إلى الورم الدبقي والورم السحائي والغدة النخامية. بدقة 99.15٪ ، يعد InceptionV3 أعلى من 98.75٪ في تصنيف الورم في DenseNet201. تم إجراء تصنيف إضافي للورم بواسطة Clustering ك HGG و LGG على أساس Inception-ResNet-v2. يتم تحديد درجات الورم (1-4) بدقة 96.64٪ بواسطة Inception-ResNet-v2. يدمج النظام المستقل النماذج الهجينة مع GPT-4.0 لإنشاء التقارير. وبالتالي ، يمكن أن يكون هذا الإطار الجديد مناسبا جدا للعيادات عند استخدامه لتحديد وفصل أورام المخ تلقائيا باستخدام صور الإدخال الملتقطة من فحوصات التصوير بالرنين المغناطيسي.

Introduction

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

قد تضعف أورام المخ بشكل كبير نوعية حياة المرضى والعائلات وتمثل حالة واحدة من كل 100 نوع من السرطان يتم علاجه كل عام في الولايات المتحدة1،2،3. الورم الدبقي هو أكثر ورم المخ الأولي انتشارا بين الناس في الولايات المتحدة ، حيث يبلغ معدل الإصابة به 6.5 لكل 100,000. تنشأ في الخلايا النجمية ، والخلايا قليلة التغصن ، والخلايا البطانية العصبية ، وهي الخلايا الدبقية التي توفر التغذية للخلايا العصبية في الدماغ. يتم تصنيف الورم الدبقي إلى أنواع مختلفة على أساس الخلية الدبقية المصابة في الورم بالإضافة إلى ملفها الجيني ، والذي قد يكون مفيدا الآن لتوقع السلوك الذي قد يخضع له الورم بمرور الوقت والعلاجات التي من المرجح أن تكون فعالة4،5،6. يمكن أن يعطل الورم الدبقي عمل الدماغ بل ويكون مميتا بناء على موقعه ومعدل نموه. تشكل الأورام السحائية 15-20٪ من جميع أورام الدماغ الأولية. ويبلغ انتشارها في الفحص العادي واحدا لكل 100 فرد في سلسلة الجراحية. من المفترض أنها تنشأ من خلية الغطاء العنكبوتية. تظهر الأورام السحائية مجموعة واسعة من السلوكيات ، تتراوح من الحميدة إلى العدوانية للغاية ، بناء على موقعها. تظهر مع العديد من أنواع الأعراض ولكن معظم المرضى لا يزالون بدون أعراض.

تحدث الأعراض والعلامات المصاحبة بشكل أساسي بسبب ضغط الهياكل المجاورة ، وبالتالي يمكن أن تظهر أيضا مع أعراض مثل النوبات الحركية ، والضعف الحسي ، واضطراب الكلام ، وفقدان الحاسمة ، وغيرها الكثير. أورام الغدة النخامية هي ثالث أكثر الأورام الأولية شيوعا داخل الجمجمة ، بعد الأورام الدبقية والأورام السحائية ، وهي تمثل حوالي 10٪ من جميع أورام الدماغ الأولية المستأثورة. قد تحدث بعدة طرق بسبب فرط أو نقص إفراز هرمونات الغدة النخامية ، أو انقباض ساق الغدة النخامية ، أو التأثيرات على الهياكل المحيطة ، وخاصة التصلب البصري.

عند مقارنتها بفحوصات التصوير المقطعي المحوسب القياسية للدماغ ، تحتوي صور التصوير بالرنين المغناطيسي على نطاق تباين كبير للأنسجة7،8،9. وبالتالي ، فإن تطوير طريقة تجزئة أورام الدماغ الأوتوماتيكية المنتظمة سيكون ذا أهمية قصوى في تشخيص وعلاج هؤلاء المرضى بشكل صحيح. لذلك ، فإن تطوير تقنية تلقائية موثوقة لتجزئة أورام المخ سيكون ذا أهمية قصوى في تشخيص وعلاج هؤلاء المرضى بشكل صحيح. ستساعد هذه الأساليب الذكية جراحي الأعصاب وأخصائيي الأشعة على تقييم حجم الورم وشكله بشكل أفضل وتحديد الحدود بين الورم والأنسجة الطبيعية المجاورة بشكل أكثر دقة.

يمكن أن يكون التعلم الآلي مفيدا لتحديد نوع ووجود أورام المخ ولكنه يتطلب مزيدا من التدخل البشري لأن نماذجه تنبؤية. على النقيض من ذلك ، يمكن لنماذج التعلم العميق أن تتعلم وتكتشف الميزات بسبب الشبكات العصبية ، والتي ستكون جوهر عملية الكشف الكاملة المؤتمتة بالكامل. تم تطوير العديد من طرق التعلم الآلي (ML) لأخصائيي الأشعة بحيث يتم إعطاؤهم رؤى غير عادية أثناء التعرف على صور التصوير بالرنين المغناطيسي وتصنيفها. الطريقة الأكثر فعالية بين مجموعة كاملة من طرق الكشف عن السرطان هي من خلال التصوير الطبي. هذه المنهجيات مفيدة في تحديد الأورام الخبيثة واكتشافها. هذه المنهجية حاسمة لأنها لا تتمتع بالطبيعة الغازية المرتبطة بالممارسات الطبية الأخرى. الإجراءات ليست جراحية10،11،12. تكمن حداثة هذا العمل في أنه يوفر إطارا فريدا قائما على DL للتصنيف التلقائي والدقيق والفعال متعدد الفئات وتصنيفها لأورام المخ باستخدام صور التصوير بالرنين المغناطيسي ، مما يقلل من الحاجة إلى التفسير اليدوي.

اقترح المؤلفون نماذج تصنيف أورام الدماغ باستخدام مناهج استخراج ميزات nLBP و LBP. ميزت النماذج بدقة الأنواع الأكثر شيوعا من سرطانات الدماغ. تم تحقيق أقصى دقة بنسبة 95.56٪ باستخدام مخطط استخراج الميزة nLBPD = 1 مع نموذج KNN11. قام المؤلفون بمسح النشر السريري للتعلم العميق (DL) في التصوير الشعاعي ووثقوا العمليات المتضمنة في هذاالمجال 13. وأكدوا على الآثار السريرية ل DL في العديد من المجالات السريرية. أظهر DL نتائج مرضية في بعض التطبيقات الإشعاعية ، لكن التكنولوجيا غير ناضجة ولا يمكن أن تحل محل مهنة التشخيص لأخصائي الأشعة14. يؤدي الجمع بين خوارزميات DL وأخصائيي الأشعة إلى تحسين فعالية التشخيص وكفاءته. تم تقييم التصوير بالرنين المغناطيسي في العديد من التحقيقات لتطبيقه المحتمل في تصنيف أورام المخ من خلال تصميمات بحثية مختلفة.

اقترح أفشار وآخرون بنية CapsNet محسنة لتصنيف أورام الدماغ الرئيسية مع 3,064 صورة مع مناطق إدخال مساعدة ذات أهمية من خلال تطبيق حدود الورم لاستثمار جهد أكبر وتحسين الطرق الأخرى بدقة 90.89٪ 15. اقترح Gumaei et al. طريقة هجينة قائمة على استخراج الميزات لتصنيف أورام المخ باستخدام RELM. قام المؤلفون بتطبيع صورة الدماغ باستخدام التطبيع بالحد الأدنى والحد الأقصى واستخدموا RELM للتصنيف لتحقيق دقة 94.23٪ 16. تم اقتراح مخطط متكامل باستخدام التجزئة وتصنيف أورام الدماغ باستخدام التصوير بالرنين المغناطيسي من قبل رضائي وآخرون. كانت الخطوات المستخدمة هي إزالة الضوضاء ، والتجزئة من خلال آلة ناقلات الدعم (SVM) ، واستخراج الميزات ، واختيار الميزات من خلال استخدام DE. تم تصنيف شرائح الورم باستخدام مصنفات WSVM و KNN و HIK-SVM. حققت المصنفات ، مع طرق المجموعة القائمة على MODE ، دقة 92.46٪ 17. اقترح فؤاد وآخرون تصنيفا لورم في المخ من خلال واصفات ميزات HDWT-HOG و WOA لتقليل الميزات. استخدمت الطريقة طرق المجموعة مع التعبئة. مع التعبئة ، تم تحقيق متوسط دقة 96.4٪ ، ومع التعزيز ، كانت القيمة المحققة 95.8٪ 18.

قدم العيادي وآخرون عملية تصنيف أورام المخ باستخدام تقنيات مثل التطبيع والميزات القوية المتسارعة الكثيفة مع الرسم البياني المتدرج ، وتعزيز جودة البحث عن الصور ، وتطوير الميزات التمييزية الناتجة. تم استخدام مصنف SVM ، ووصلت الدقة المعنية إلى مستوى عال يصل إلى 90.27٪ مع مجموعة بيانات التقييم19. قدم Srujan et al. بنية DL للشبكة العصبية التلافيفية (CNN) المكونة من ستة عشر طبقة تجمع بين وظائف التنشيط مثل ReLU و Adam optimizer لتحقيق دقة تصنيف 95.36٪20. صمم Tejaswini et al. نموذج CNN لتشخيص الورم السحائي، والورم الدبقي، وسرطان الدماغ في الغدة النخامية، والذي حقق دقة التحقق من الصحة بنسبة 87.16٪ ودقة تدريب تبلغ 92.79٪. تم تقسيم منطقة الورم أيضا بواسطة عتبة أوتسو ، وتقنيات الغومض ، ومستجمعات المياه21. قدم هوانغ وآخرون CNN-BCN لتصنيف سرطان الدماغ. تم تصميم بنية الشبكة باستخدام طريقة الرسم البياني العشوائي ، وحققت الدقة المستهدفة التي تصل إلى 95.49٪ 22. صمم قاسمي وآخرون نموذجا DL لتصنيف صور أورام المخ23. تم الحصول على ميزات قوية وأنماط تعلم من صور التصوير بالرنين المغناطيسي من خلال استخدام الشبكات المدربة مسبقا كتمييزات GAN. استنادا إلى التحقق المتقاطع من خمسة أضعاف ، وصل النهج إلى دقة 95.6٪ من خلال استبدال تقنيات مثل زيادة البيانات والتسرب للطبقات المتصلة بالكامل. ديباك وآخرون جمع SVM مع CNN لتصنيف صور ورم الدماغ. عند الاختبار باستخدام بروتوكول التحقق المتقاطع من خمسة أضعاف ، حقق النظام الآلي دقة 95.82٪ ، متفوقة على التقنيات الأخرى24. نورين وآخرون استخدموا الشبكات المدربة مسبقا والمضبوطة بدقة مثل Xception و InceptionV3 لتحديد سرطان الدماغ. استخدمت هذه النماذج مجموعة واسعة من تقنيات التعلم الآلي مثل RF و SVM و KNN لتحقيق دقة بنسبة 94.34٪ مع مجموعة من InceptionV325.

صنف Shaik et al. أورام المخ في معالجة الصور الطبية وقدموا نهجا مانيت يعطي الأولوية للأورام من خلال الجمع بين الفضاء والانتباه عبر القنوات مع الحفاظ على الروابط الزمنية بين القنوات. فيما يتعلق بمهمة تصنيف أورام المخ الأولية ، حقق النهج دقة 96.51٪26. أنشأ أحمد وآخرون شبكة عصبية توليدية عميقة لتصنيف أورام الدماغ. استخدمت التكنولوجيا VAEs و GAN لتحقيق دقة 96.25٪ على صور التصوير بالرنين المغناطيسي لورم المخ27،28. تم تقديم نموذج DL بواسطة Alanazi et al. لتحديد الأنواع الفرعية لأورام الدماغ. تضمنت التقنية إنشاء نماذج CNN متعددة وتطبيق تعلم النقل لضبط أوزان نموذج CNN المكون من 22 طبقة. حقق النموذج دقة صورة التصوير بالرنين المغناطيسي بنسبة 95.75 في المائة و 96.89 في المائة ،على التوالي 29,30. طبق المالكي وآخرون تقنية ML على التصوير بالرنين المغناطيسي لتحليل شدة أربعة أنواع من أورام المخ بسرعة. سمح لهم تقسيم التصوير بالرنين المغناطيسي إلى صور 8 × 8 بكسل باستخراج خصائص المقياس الغوسي وغير الخطي بالإضافة إلى التفاصيل الدقيقة. تم تحديد الخصائص المهمة ، وتقسيمها إلى 400 ميزة مقياس غير خطي ، ودمجها مع كل صورة MR. استخدموا مصنف SVM وحققوا دقة 95.33٪31،32. تمت مقارنة ثلاثة نماذج CNN بواسطة Kumar et al. ، وهي InceptionV3 و AlexNet و ResNet50 ، لتصنيف الورم الأولي ، واستخدم طرق زيادة البيانات. تغلب AlexNet على الآخرين من حيث الخصوصية والدقة ، وحصل على درجة 96.2٪ 33.

Ullah et al. يتعمق في نماذج التعلم الأعمق لتشخيص أورام الدماغ. يعمل DeepEBTDNet على تحسين جودة التصوير بالرنين المغناطيسي من خلال تطبيق DSIHE وضمان قابلية التفسير من خلال LIME34،35. يقدم TumorResNet مع 20 طبقة تلافيفية ، والتي تستخدم لتحقيق دقة تصنيف بنسبة 99.33٪ ، طريقة متسقة وآلية للتشخيص المبكر لأورام المخ وتخطيطالعلاج 36. تم تقديم العديد من بنى DL المتقدمة بواسطة Kumar et al. لتصنيف أورام المخ واكتشافها. يجمع نموذج PBTC بين المعالجة المسبقة للتصوير بالرنين المغناطيسي ، وتجزئة ACLS ، و HRNN-BiLSTM المحسن من OHBO لتحقيق دقة 97.8٪37. تصل شبكة CNN ثنائية القناة مع تحويل المويجة في بيركلي وتحسين سيرفال المحسن إلى دقة 98.8٪ لأربعة أنواع من الأورام38. يستخدم Disci et al. بيانات التصوير بالرنين المغناطيسي لتقييم نماذج DL المدربة مسبقا لتصنيف أورام المخ ويحقق دقة 98.73٪ مع Xception39.

Access restricted. Please log in or start a trial to view this content.

Protocol

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

وصف مجموعة البيانات والتحليل الاستكشافي
تتكون مجموعة البيانات من مصادر متعددة لتعزيز موثوقية ودقة النموذج. يحتوي Merged_dataset على 20,620 صورة من مجموعة البيانات A (3,054) ومجموعة البيانات B (3,264) ومجموعة البيانات C (10,000) ومجموعة البيانات D (4,292). علاوة على ذلك ، تمت إضافة 1,425 صورة من مجموعة بيانات براد لدرجات ورم الورم الدبقي (HGG ، LGG). ستضمن مجموعة البيانات المتنوعة هذه تعميما أفضل وتقلل من التحيزات وتحسن أداء النموذج. تتيح مجموعة البيانات الكبيرة إجراء تقييمات شاملة ، وبالتالي ، هناك احتمال أكبر للحصول على التنبؤات الصحيحة في تطبيقات العالم الحقيقي لمهام التصنيف.

تم استخدام مجموعتي بيانات متميزتين في هذا التحقيق. بين عامي 2005 و 2010 ، تم الحصول على الأول من مستشفى نانفانغ التابع لجامعة تيانجين الطبية والمستشفى العام في الصين. يتم تضمين الصور المحسنة بالتباين T1 من 233 فردا مصابا بالأورام ، بالإضافة إلى الورم الدبقي من الدرجتين الثانية والثالثة ، في المجموعة. تقدم مجموعة البيانات توزيعا شاملا للغاية لفئات الورم وتحليل البيانات العامة. بالنسبة للورم الدبقي عالي الدرجة (HGG) ، هناك 1,050 صورة متاحة ، وبالنسبة للورم الدبقي منخفض الدرجة (LGG) ، هناك 375 صورة ، مما يعني أن هناك مزيدا من الاهتمام بالحالات الأكثر شدة (HGG).

يوضح الشكل 1 فحوصات التصوير بالرنين المغناطيسي المصنفة إلى ثلاثة أنواع من أورام الدماغ. كل صف هو نوع واحد من الأورام ، وهناك ثلاث صور نموذجية لكل فئة. تتميز عمليات المسح بخصائص مختلفة في اتجاهات ووجهات نظر مختلفة ، بما في ذلك المحورية والسهمية والإكليلية. عينات الورم الدبقي لها هياكل غير منتظمة تتسلل إلى أنسجة المخ. تظهر عينات الورم السحائي على شكل كتل موضعية بالقرب من سطح الدماغ، وتوجد عينات من ورم الغدة النخامية بالقرب من مركز الدماغ. تقدم هذه الأمثلة تباينا في مظهر الورم ، مما يساعد في تدريب نماذج ML للكشف الدقيق وكذلك تصنيف الأورام في تحليل الصور الطبية.

figure-protocol-1
الشكل 1: فحوصات التصوير بالرنين المغناطيسي للأورام. فحوصات التصوير بالرنين المغناطيسي للورم السحائي والورم الدبقي وأورام الغدة النخامية في المناظر المحورية والسهمية والإكليلية ، مما يسلط الضوء على خصائص التصوير المتميزة. الرجاء النقر هنا لعرض نسخة أكبر من هذا الرقم.

يحتوي الورم الدبقي على أكبر عدد من الصور ، وهو أعلى بقليل من 6,000. يحتوي الورم السحائي على حوالي 6,000 صورة ، بينما يحتوي الغدة النخامية على عدد صور تقريبا مثل الورم السحائي يبدو أن هناك انقساما متساويا تقريبا بين الفئات الثلاث ، مما يعني أن كل نوع من أنواع الأورام يتم تمثيله بشكل جيد للتدريب أو أي تحليل. يحتوي الورم الدبقي على أكبر متوسط حجم للملف ، على الرغم من أن الورم السحائي له نطاق أكثر تقييدا والمزيد من القيم المتطرفة. يحتوي التباين المعتدل في الغدة النخامية على عدد قليل من القيم المتطرفة الواضحة. تحتوي كل فئة على بعض أحجام الملفات الضخمة حقا.

يوضح الشكل 2 PCA لميزات الصورة لأنواع الأورام الثلاثة. يلتقط المكون الرئيسي 1 أكبر قدر من التباين ويفصل بشكل كبير الغدة النخامية (المجموعة اليمنى) عن الآخرين. تتداخل الأورام الدبقية والأورام السحائية أسفل اليسار ، مما يشير إلى أن تمثيلات ميزاتها قابلة للمقارنة وأن قابليتها للانفصال تتضاءل.

figure-protocol-2
الشكل 2: PCA لميزات الصورة. تحليل المكونات الرئيسية للسمات المستخرجة التي تميز فئات الورم الدبقي والورم السحائي وأورام الغدة النخامية. الرجاء النقر هنا لعرض نسخة أكبر من هذا الرقم.

توضح خريطة الارتباط الحرارية الموضحة في الشكل 3 العلاقات بين سمات البيانات الوصفية للصورة: File_Size والارتفاع والعرض. يظهر File_Size ارتباطا منخفضا جدا مع كل من الارتفاع (-0.01) والعرض (0.0039).

figure-protocol-3
الشكل 3: خريطة حرارة الارتباط للبيانات الوصفية. تظهر خريطة التمثيل اللوني العلاقات بين سمات البيانات الوصفية للصورة مثل حجم الملف وارتفاعه وعرضه. الرجاء النقر هنا لعرض نسخة أكبر من هذا الرقم.

يظهر الارتفاع والعرض أيضا ارتباطا موجبا منخفضا جدا يبلغ 0.0039. القيم القطرية هي 1 ، مما يشير إلى الارتباط التام لكل متغير بنفسه. بشكل عام ، تكون السمات غير مرتبطة في الغالب ، مما يعني اختلافات مستقلة بين حجم الملف وارتفاع الصورة وعرضها.

المنهجية والبنية المقترحة
يتم تمثيل سير العمل الذي يكتشف بشكل منهجي أورام المخ ويصنفها ويحللها بناء على بيانات التصوير بالرنين المغناطيسي في الشكل 4. تتضمن المنهجية تقنيات المعالجة المسبقة والتجزئة وDL المتقدمة لتحقيق تنبؤ قوي بالورم وتصنيفه.

figure-protocol-4
الشكل 4: سير عمل المنهجية المقترحة. سير عمل تدريجي للكشف عن الورم وتصنيفه وتحليله باستخدام بيانات التصوير بالرنين المغناطيسي. الرجاء النقر هنا لعرض نسخة أكبر من هذا الرقم.

تبدأ العملية بدمج عدد من مجموعات البيانات (يشار إليها ب A و B و C و D). بعد ذلك ، يتم دمج مجموعات البيانات في مجموعة بيانات شاملة واحدة للحصول على بيانات شاملة. يتضمن أيضا مجموعة بيانات براد لأغراض تجزئة الصور وتجميعها وتصنيفها. تتضمن مجموعة البيانات المدمجة إلحاق جميع الصور في كل مجموعة بيانات وأدلة مدمجة ، مما يضمن مجموعة بيانات شاملة وموحدة لمزيد من التحليل وتطوير نموذج متعدد التصنيفات.

ثانيا ، يتم الانتهاء من المعالجة المسبقة ، وهي خطوة مهمة في تحسين جودة البيانات وتنوعها. يتم تطبيق تسع عمليات زيادة على صور التصوير بالرنين المغناطيسي الأصلية لتحسين أداء النموذج وتنوع مجموعة البيانات. يؤدي تغيير حجم الصورة إلى حجم مشترك إلى مواءمتها ، كما أن تحويل RGB إلى تدرج الرمادي يبسط المعالجة. يعمل التقليب الأفقي / الرأسي على تحسين المتانة ، ويحاكي الدوران مع التكبير / التصغير ظروف التصوير المختلفة. يؤدي استخدام ترشيح Sobel إلى تحسين حدة الميزة ، كما أن إضافة الضوضاء تحسن التباين. يعمل إخفاء Unsharp على تحسين حدة الصورة، ويضيف تغيير الارتفاع والعرض اختلافات في الموضع. كل واحد منهم ، عند دمجها ، يحسن قابلية تعميم النموذج ودقة التصنيف. كل هذا يضمن أن النموذج يعمم على مجموعة واسعة من حالات التصوير. هناك ما مجموعه 20,620 صورة تصوير بالرنين المغناطيسي ، وإجمالي الصور بعد المعالجة المسبقة المستخدمة لتطوير النموذج ينتج عنه 185,580 صورة.

بعد ذلك ، يتم تقسيم مجموعة البيانات المدمجة باستخدام نموذج U-Net ، والذي يستخدم بشكل كبير في التصوير الطبي. تم ضبط البنية وتدريبها لتحديد مناطق الورم من فحوصات التصوير بالرنين المغناطيسي. تنتج هذه الخطوة صورا مقنعة تبرز الورم وتقضي على التفاصيل غير ذات الصلة. يضمن تقسيم الصور مدخلات بيانات أفضل للتصنيف والتحليل.

في الخطوة التالية ، يتم ضبط هذه النماذج بدقة لتصنيف الصور إلى فئات مختلفة ، والاستفادة من تعلم النقل لتعزيز الدقة مع تقليل وقت التدريب. للتصنيف ، يتم استخدام عدد من نماذج التعلم العميق المدربة مسبقا ، ولكل منها فوائد خاصة. نظرا لسهولة استخدامها وكفاءتها في تصنيف الصور ، يتم استخدام VGG16 و VGG19 بشكل متكرر. مع الكفاءة الحسابية المثلى ، يوفر EfficientNetB0 و EfficientNetB7 أداء متطورا. تعمل بنية ResNet101 الأعمق على تحسين دقة التصنيف من خلال التقاط الأنماط المعقدة بشكل فعال. بعد ذلك ، يتم ضمان التشخيص الدقيق من خلال تصنيف الخوارزميات المدربة لبيانات التصوير بالرنين المغناطيسي إلى أربعة تصنيفات للورم. الخلايا الدبقية هي مصدر أورام الورم الدبقي التي تضعف وظائف الدماغ. تتطور أورام الورم السحائي في السحايا ، وهي طبقات واقية من الدماغ والحبل الشوكي. الغدة النخامية هي موقع أورام الغدة النخامية التي تؤثر على التوازن الهرموني والعمليات الفسيولوجية.

بعد ذلك ، للمساعدة في التشخيص الدقيق ، يتم استخدام تقنيات التجميع مثل K-Nearest Neighbours (KNN) للتنبؤ بدرجات الورم. تشير الدرجتان الثالثة والرابعة من الورم الدبقي عالي الدرجة (HGG) إلى تطور الورم الشديد. الدرجتان 1 و 2 من الورم الدبقي منخفض الدرجة (LGG) هي أورام أبطأ نموا وأقل عدوانية ، على التوالي. هذا التصنيف ضروري لإثبات عدوانية الورم ، وبالتالي الإدارة السريرية المباشرة.

أخيرا ، لتقييم فعالية نماذج التصنيف ، يتم مقارنتها وفقا لمعايير مهمة. يتم تقييم آثارها للتأكد مما إذا كانت استراتيجيات الزيادة والتجزئة قد حسنت أداء النموذج. لضمان الموثوقية والفعالية ، يتم فحص الأداء أيضا عبر مجموعة متنوعة من مجموعات البيانات ، وتتناقض دقة التصنيف مع النماذج الأكثر تقدما.

يدمج سير العمل إعداد البيانات والمعالجة المسبقة والتجزئة والتصنيف والتقدير في إطار عمل متماسك. إنه يعزز دقة الكشف عن أورام المخ وتصنيفها من خلال تطبيق طرق DL المتطورة والمعالجة المسبقة الصارمة. يدعم إدراج تصنيف الورم عملية اتخاذ القرارات السريرية ، مما يجعله نظاما شاملا لتحليل الورم.

figure-protocol-5
الشكل 5: إطار التعلم العميق. إطار تصنيف أورام المخ المقترح باستخدام نماذج التعلم العميق. الرجاء النقر هنا لعرض نسخة أكبر من هذا الرقم.

الشكل 5 عبارة عن بنية تتعلق بنظام تصنيف الصور الطبية الذي يحدد أورام المخ بمساعدة التقنيات الحسابية المتقدمة مثل التعلم العميق. يبدأ بمجموعة من صور التصوير بالرنين المغناطيسي التي يتم تصنيفها. وبالتالي ، سيكون هذا هو العمود الفقري لعملية التصنيف. بعد ذلك ، تدخل بيانات الإدخال في وحدة المعالجة المسبقة للبيانات حيث يتم إجراء التطبيع أو تغيير الحجم وزيادة الصورة ، بالإضافة إلى إزالة الضوضاء. تعمل المعالجة المسبقة على توحيد صور الإدخال لتحقيق أقصى استفادة من مراحل تدريب النموذج. تدور الخطوة بأكملها حول الاستعداد للخضوع لمراحل حسابية مكثفة لاحقة. بعد خطوة المعالجة المسبقة، يتم تغذية البيانات إلى وحدة استخراج الميزات. هنا ، يمكن استخدام التقنيات أو النماذج الحسابية ، وربما نماذج DL مثل CNNs ، لتحديد الميزات في الصور. يمكن أن تتضمن السمات التي يتم استخلاصها أنماطا تدل على تشوهات أو خصائص الورم. بعد ذلك ، يتم إدخال هذه المجموعة من الميزات في نموذج التصنيف. بالنظر إلى أن هذا من المحتمل أن يهدف إلى التمييز بين الفئات المختلفة ، والتي تشمل وجود أو عدم وجود ورم ونوع الورم ، يعتمد النموذج على بنية معقدة إلى حد ما ، ربما من Inception-ResNet-v2 ، من بين أمور أخرى ، للتنبؤات الدقيقة. يحدد ما إذا كان هناك ورم في صورة الدماغ الممسوحة ضوئيا أم لا. خطوة التصنيف هذه هي "ورم" و "لا يوجد ورم". عندما يتم العثور على ورم ، يصنف النظام نوع الورم على أنه الورم الدبقي أو الورم السحائي أو الغدة النخامية. يحتوي كل نوع من هذه الأنواع على خصائص يتعرف عليها النموذج باستخدام الميزات المستخرجة. بالنسبة للأورام التي تم تحديدها ، يتم بعد ذلك تحديد درجة الورم. تتراوح الدرجات من 1 إلى 4 ، مما يشير إلى شدة الورم وتطوره. الدرجة 1 هي الأقل عدوانية ، بينما الدرجة 4 هي الأكثر حدة. يساعد هذا التصنيف في التشخيص الطبي وتخطيط العلاج. تشمل المخرجات النهائية غياب أو وجود الورم ونوعه ودرجته. هذا الناتج ذو قيمة كبيرة للتطبيقات السريرية لاتخاذ القرار في رعاية وعلاج المرضى.

تمثل العملية خط أنابيب متكاملا لتحليل الصور الطبية وتصنيف أنواع الأورام. بدءا من البيانات الأولية ، يستمر على التوالي من خلال البيانات التحضيرية واستخراج الميزات والتصنيف. يحدد النظام ما إذا كان لديه بالفعل ورم ، ويحدد نوعه ، ويعطي شدته أو درجته. يعمل خط الأنابيب هذا ، باستخدام أشكال أكثر تعقيدا من الحساب ، على تبسيط التشخيص في التصوير الطبي بحيث يمكن أن تكون التقييمات أسرع وأكثر دقة في أورام الدماغ. يضمن سير العمل المعياري المرونة، حيث يمكن تحسين المكونات بشكل منفصل لتحسين الأداء.

Access restricted. Please log in or start a trial to view this content.

Results

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

تستفيد بيئة التدريب من وحدة معالجة الرسومات NVIDIA Tesla T4 من Kaggle ، مما يسهل التدريب الفعال على النموذج. المكتبات ذات الأهمية هي TensorFlow و PyTorch و Keras و NumPy و Pinecone ، والتي تسهل خطوط أنابيب التعلم العميق القوية. تم اختيار DenseNet201 و InceptionV3 و Inception-ResNet-v2 بسبب فعاليتها المثبتة في التصوير الطبي. توفر هذه التصميمات استخراجا عميقا للميزات ، وتدفقا قويا للتدرج ، ونقاط قوة هجينة ، مما يحسن الدقة ، ويقلل من التجهيز الزائد ، ويحسن تعميم النموذج في الكشف عن أورام المخ من خلال الاستفادة من قدرات التع...

Access restricted. Please log in or start a trial to view this content.

Discussion

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

قد يكون التشخيص المبكر لأورام المخ ضروريا لإنقاذ حياة الفرد ، حيث يمكن أن تكون أورام المخ خطيرة للغاية ومميتة. حاليا ، يعتمد تشخيص الورم على التفسير اليدوي لأخصائيي الأشعة ، والذي يمكن أن يسبب تأخيرات وخطأ بشريا في اكتشاف الأورام الخبيثة في المراحل المبكرة. ومن ثم ، تقدم هذه الورقة نموذجا متعدد التصنيفات لتشخيص أورام الدماغ يمكنه اكتشاف الأورام وتوطينها وتصنيفها بدقة ، خاصة عند التعامل مع أشكال وأحجام وأنسجة مختلفة. فهو يجمع بين الأساليب الهجينة ونماذج التعلم العميق المتقدمة في التصوير ا...

Access restricted. Please log in or start a trial to view this content.

Disclosures

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

ليس لدى المؤلفين أي تضارب في المصالح للإعلان عنه.

Acknowledgements

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

اي

مساهمة المؤلف:
التصور ، A.K. ؛ تنظيم البيانات ، A.K. ؛ التحليل الرسمي ، AK و MU و D.G. ؛ التحقيق ، أ.ك. المنهجية ، A.K. ؛ الإشراف ، M.U. و D.G. ؛ التحقق من الصحة ، AK و MU و DG ؛ التصور ، AK و M.U. ؛ كتابة المسودة الأصلية ، A.K. و M.U. ؛ الكتابة والمراجعة والتحرير، AK و MU و D.G.

Access restricted. Please log in or start a trial to view this content.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
النص السريعفيسبوك الذكاء الاصطناعيغير متاحتمثيل الكلمات وتصنيفها
جوجل كولابجوجلغير متاحبيئة Jupyter Notebook المستندة إلى السحابة
Google Colab GPU / TPUجوجلغير متاحتسريع الأجهزة المستندة إلى السحابة
إنتل كور i5 / i7 أو AMD Ryzen 5/7إنتل / AMDغير متاحمعالج للتنفيذ المحلي (إذا لزم الأمر)
ماتبلوتليبمفتوح المصدرغير متاحمكتبة تصور البيانات
NLTKمفتوح المصدرغير متاحمجموعة أدوات اللغة الطبيعية لمعالجة النصوص
رقممفتوح المصدرغير متاحمكتبة الحوسبة العددية
بطاقة الرسومات NVIDIA GTX 1650 أو أعلى (اختيارية)نفيدياغير متاحوحدة معالجة الرسومات لمهام التعلم العميق
الباندامفتوح المصدرغير متاحمكتبة معالجة البيانات
بايثون مؤسسة برامج بايثونغير متاحلغة برمجة التعلم الآلي والبرمجة اللغوية العصبية
باي تورشميتا الذكاء الاصطناعيغير متاحإطار عمل التعلم العميق
ذاكرة الوصول العشوائي (8 جيجابايت كحد أدنى، يوصى ب 16 جيجابايت)مختلفغير متاحمتطلبات الذاكرة لمهام التعلم الآلي
تعلم العلوممفتوح المصدرغير متاحمكتبة التعلم الآلي
سيبورنمفتوح المصدرغير متاحتصور البيانات الإحصائية
سبابسيانفجار الذكاء الاصطناعيغير متاحمكتبة البرمجة اللغوية العصبية ذات القوة الصناعية
تخزين SSD (256 جيجابايت كحد أدنى ، يوصى ب 512 جيجابايت)مختلفغير متاحتخزين لمعالجة مجموعة البيانات
TensorFlowجوجلغير متاحإطار عمل التعلم العميق

References

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Kaye, A. H., Laws, E. R. Jr Brain tumors e-book: an encyclopedic approach. , Elsevier Health Sciences. (2011).
  2. Roda, E., Bottone, M. G. Brain cancers: new perspectives and therapies. Front Neurosci. 16, 857408(2022).
  3. Herholz, K., Langen, K. J., Schiepers, C., Mountz, J. M. Brain tumors. Semin Nucl Med. 42 (6), 356-370 (2012).
  4. Van Meir, E. G., et al. Exciting new advances in neuro-oncology: the avenue to a cure for malignant glioma. CA Cancer J Clin. 60 (3), 166-193 (2010).
  5. Bakas, S., et al. Advancing the Cancer Genome Atlas glioma MRI collections with expert segmentation labels and radiomic features. Sci Data. 4 (1), 1-13 (2017).
  6. Khosravanian, A., Rahmanimanesh, M., Keshavarzi, P., Mozaffari, S. Fast level set method for glioma brain tumor segmentation based on superpixel fuzzy clustering and lattice Boltzmann method. Comput Methods Programs Biomed. 198, 105809(2021).
  7. Tang, Z., Ahmad, S., Yap, P. T., Shen, D. Multi-atlas segmentation of MR tumor brain images using low-rank based image recovery. IEEE Trans Med Imaging. 37 (10), 2224-2235 (2018).
  8. Bakas, S., et al. Segmentation labels and radiomic features for the pre-operative scans of the TCGA-LGG collection. TCIA. , (2017).
  9. Chen, G., Li, Q., Shi, F., Rekik, I., Pan, Z. RFDCR: automated brain lesion segmentation using cascaded random forests with dense conditional random fields. NeuroImage. 211, 116620(2020).
  10. Ao, J., et al. Stimulated Raman scattering microscopy enables Gleason scoring of prostate core needle biopsy by a convolutional neural network. Cancer Res. 83 (4), 641-651 (2023).
  11. Kaplan, K., Kaya, Y., Kuncan, M., Ertunç, H. M. Brain tumor classification using modified local binary patterns feature extraction methods. Med Hypotheses. 139, 109696(2020).
  12. Rathi, V. G. P., Palani, S. Brain tumor detection and classification using deep learning classifier on MRI images. Res J Appl Sci Eng Technol. 10 (2), 177-187 (2015).
  13. McBee, M. P., et al. Deep learning in radiology. Acad Radiol. 25 (11), 1472-1480 (2018).
  14. Lu, S., et al. Analysis and design of surgical instrument localization algorithm. Comput Model Eng Sci. 137 (1), 669-685 (2023).
  15. Capsule networks for brain tumor classification based on MRI images and coarse tumor boundaries. Afshar, P., Plataniotis, K. N., Mohammadi, A. ICASSP 2019 IEEE Int Conf Acoust Speech Signal Process, , 1368-1372 (2019).
  16. Gumaei, A., Hassan, M. M., Hassan, M. R., Alelaiwi, A., Fortino, G. A hybrid feature extraction method with regularized extreme learning machine for brain tumor classification. IEEE Access. 7, 36266-36273 (2019).
  17. Rezaei, K., Agahi, H., Mahmoodzadeh, A. A weighted voting classifiers ensemble for the brain tumors classification in MR images. IETE J Res. 68 (5), 3829-3842 (2022).
  18. Moftah, H. M., Hefny, H. A. Brain diagnoses detection using whale optimization algorithm based on ensemble learning classifier. Int J Intell Eng Syst. 13 (2), (2020).
  19. Ayadi, W., Charfi, I., Elhamzi, W., Atri, M. Brain tumor classification based on hybrid approach. Vis Comput. 38 (1), 107-117 (2022).
  20. Srujan, K. S., Shivakumar, S., Sitnur, K., Garde, O., Poornima, P. K. Brain tumor segmentation and classification using CNN model. Brain Sci. 7 (4), (2020).
  21. Tejaswini, G. P., Sreelakshmi, K. Brain tumour detection using deep neural network. Wutan Huatan Jisuan Jishu. 16, 27-40 (2020).
  22. Huang, Z., Du, X., Chen, L., Li, Y., Liu, M., Chou, Y., Jin, L. Convolutional neural network based on complex networks for brain tumor image classification with a modified activation function. IEEE Access. 8, 89281-89290 (2020).
  23. Ghassemi, N., Shoeibi, A., Rouhani, M. Deep neural network with generative adversarial networks pre-training for brain tumor classification based on MR images. Biomed Signal Process Control. 57, 101678(2020).
  24. Deepak, S., Ameer, P. M. Automated categorization of brain tumor from MRI using CNN features and SVM. J Ambient Intell Humaniz Comput. 12 (8), 8357-8369 (2021).
  25. Noreen, N., Palaniappan, S., Qayyum, A., Ahmad, I., Alassafi, M. O. Brain tumor classification based on fine-tuned models and the ensemble method. Comput Mater Contin. 67 (3), (2021).
  26. Shaik, N. S., Cherukuri, T. K. Multi-level attention network: application to brain tumor classification. Signal Image Video Process. 16 (3), 817-824 (2022).
  27. Ahmad, B., Sun, J., You, Q., Palade, V., Mao, Z. Brain tumor classification using a combination of variational autoencoders and generative adversarial networks. Biomedicines. 10 (2), 223(2022).
  28. Uppal, M., et al. Fault pattern diagnosis and classification in sensor nodes using fall curve. Comput Mater Contin. 72 (1), 1799-1814 (2022).
  29. Neha, F. Kidney localization and stone segmentation from a CT scan image. In 2023 7th Int Conf Comput Commun Control Autom (ICCUBEA). , 1-6 (2023).
  30. Alanazi, M. F., et al. Brain tumor/mass classification framework using magnetic-resonance-imaging-based isolated and developed transfer deep-learning model. Sensors. 22 (1), 372(2022).
  31. Uppal, M., et al. A real-time data monitoring framework for predictive maintenance based on the Internet of Things. Complexity. 2023 (1), 9991029(2023).
  32. Almalki, Y. E., et al. Robust Gaussian and nonlinear hybrid invariant clustered features aided approach for speeded brain tumor diagnosis. Life. 12 (7), 1084(2022).
  33. Kumar, K. K., et al. Brain tumor identification using data augmentation and transfer learning approach. Comput Syst Sci Eng. 46 (2), (2023).
  34. Ullah, N., Hassan, M., Khan, J. A., Anwar, M. S., Aurangzeb, K. Enhancing explainability in brain tumor detection: a novel DeepEBTDNet model with LIME on MRI images. Int J Imaging Syst Technol. 34 (1), 23012(2024).
  35. Neha, F., Bhati, D., Shukla, D. K., Dalvi, S. M., Mantzou, N., Shubbar, S. U. U-Net in medical image segmentation: a review of its applications across modalities. arXiv preprint. , (2024).
  36. Ullah, N., Khan, M. S., Khan, J. A., Choi, A., Anwar, M. S. A robust end-to-end deep learning-based approach for effective and reliable BTD using MR images. Sensors. 22 (19), 7575(2022).
  37. Kumar, G. D., Mohanty, S. N. Precise brain tumor classification from MRI images with hybrid recurrent neural network-bidirectional LSTM and humming bird optimization. Cluster Comput. 28 (4), 235(2025).
  38. Gokapay, D. K., Mohanty, S. N. Enhanced MRI-based brain tumor segmentation and feature extraction using Berkeley wavelet transform and ETCCNN. Digit Health. 10, 20552076241305282(2024).
  39. Disci, R., Gurcan, F., Soylu, A. Advanced brain tumor classification in MR images using transfer learning and pre-trained deep CNN models. Cancers. 17 (1), 121(2025).

Access restricted. Please log in or start a trial to view this content.

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Tags

Brain Tumor ClassificationBrain Tumor SegmentationConvolutional Neural NetworkMagnetic Resonance ImagesDeep Learning ModelU Net SegmentationImage AugmentationTumor GradingInceptionV3 ModelDenseNet201 Model

Related Articles