تقدم هذه الدراسة إطار عمل خفيف الوزن يعتمد على الانتباه للتعلم العميق لتصنيف الأورام الدماغية رباعي الفئات من صور الرنين المغناطيسي باستخدام التعلم الانتقالي مع MobileNetV2 وEfficientNetV1 وInception-ResNet-V2. يحقق النموذج دقة عالية في التصنيف مع تعقيد حسابي منخفض، مما يدعم تطبيقات دعم القرار السريري منخفضة الموارد.
Method Article
إطار التعلم بالنقل الموجه بالانتباه لتصنيف أورام الدماغ من أربع فئات باستخدام التصوير بالرنين المغناطيسي
Gokapay Dilip Kumar1 , Vemuri Sudarsan Rao1 , Sudheer Reddy Bandi2 , Shaik Thaseentaj3 , Maneesha Vadduri3 , M. Nageswara Rao4 , Akkula Sri Vaishnavi5
1Department of Computer Science and Engineering, Sri Chaitanya Institute of Technology & Research, 2Department of Artificial Intelligence and Data Science, JB Institute of Engineering and Technology, 3Department of Computer Science and Engineering, Koneru Lakshmaiah Education Foundation (KLEF), 4Department of Electronics and Communication Engineering, Sri Mittapalli College of Engineering, 5School of Electronics Engineering (SENSE), VIT-AP University
Opens in a new tab
In This Article
Summary
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
Abstract
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
يهدف هذا البحث إلى تطوير إطار عمل تعلم عميق خفيف الوزن ودقيق لتصنيف أورام الدماغ إلى أربع فئات - الأورام الدبقية، الأورام السحائية، أورام الغدة النخامية، والأنسجة الدماغية السليمة - باستخدام بيانات التصوير بالرنين المغناطيسي (MRI). تجمع المنهجية المقترحة بين التعلم التحويلي وثلاثة نماذج شبكات عصبية تلافيف مسبق التدريب - MobileNetV2، وEfficientNetV1، وInception-ResNet-V2 - مدمجة مع آلية انتباه تحاكي قدرة النظام البصري البشري على التركيز على المناطق السريرية ذات الصلة في الصورة. يعزز هذا النهج الموجه بالانتباه من تحديد موقع الورم بينما يقمع المعلومات غير ذات الصلة في الخلفية. يتم تقييم الإطار على مجموعة بيانات كبيرة متاحة للجمهور تتضمن الآلاف من الصور المصنفة عبر الفئات الأربع. يتم استخدام البروتوكولات القياسية للمعالجة المسبقة، وتوسيع البيانات، والتدريب للسماح بالتكرار المباشر للطريقة المقترحة. تظهر النتائج التجريبية أن EfficientNetV1 يحقق أعلى أداء في التصنيف، حيث يصل إلى دقة فائقة مقارنة بكل من MobileNetV2 وInception-ResNet-V2. تستنتج الدراسة أن الإطار المقترح الخفيف الوزن والقائم على الانتباه يوازن بشكل فعال بين الدقة والتعقيد الحسابي، مما يجعله مناسبًا للغاية للتطبيقات الصحية في الوقت الحقيقي والجوال، وخاصةً في البيئات منخفضة الموارد.
Introduction
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
تلعب التصنيف الدقيق لأورام الدماغ باستخدام تصوير الرنين المغناطيسي (MRI) دورًا حيويًا في التشخيص السريري، وتخطيط العلاج، وتقدير التشخيص1. أورام الدماغ، بما في ذلك الورم الدبقي، والورم السحائي، والأورام النخامية، تظهر خصائص مرضية استثنائية واستجابات علاجية؛ لذلك، فإن التعرف المبكر والموثوق عليه ضروري لتحسين النتائج العلاجية وتقليل تقدم المرض. يُفضل استخدام تصوير الرنين المغناطيسي على نطاق واسع لتقييم أورام الدماغ بسبب تباين الأنسجة الرخوة الفائق، والطبيعة غير الغازية، والقدرة على تصور مورفولوجيا الورم عبر مستويات تشريحية متعددة. ومع ذلك، فإن التفسير اليدوي لمسحات تصوير الرنين المغناطيسي غالبًا ما يكون مضنيًا ويعتمد بشكل كبير على الخبرة الإشعاعية، خاصةً عندما تكون حدود الورم غير منتظمة أو عندما تكون هناك أوجه تشابه بصرية بين فئات الورم. وبالتالي، أصبحت أنظمة التشخيص بمساعدة الكمبيوتر الآلي مهمة بشكل متزايد لمساعدة أطباء الأشعة في التصنيف الدقيق للورم بكفاءة.
لقد حققت تقنيات تحليل الصور القائمة على التعلم العميق (DL) تقدمًا كبيرًا في التصنيف التلقائي للأمراض عبر تطبيقات الطب الحيوي ورؤية الكمبيوتر2,3. في طب الأورام العصبية، أظهرت تقنيات التعلم الآلي والتعلم المحول أداءً واعدًا في مهام اكتشاف الورم، والفصل، والتصنيف4. شبكات التعلم العميق التلافيفية (CNNs)، على وجه الخصوص، أظهرت قدرة فائقة في استخراج الميزات التدريجية المرتبطة بالورم تلقائيًا من مسحات تصوير الرنين المغناطيسي دون الاعتماد على الهندسة اليدوية للميزات. يمكن لشبكات CNN تعلم التمثيلات التدريجية المرتبطة بالورم من بيانات التصوير، وبالتالي تحسين أداء التصنيف مقارنةً بالمقاربات التقليدية للتعلم الآلي. مكن التقدم الأخير في التعلم العميق من تطوير أنظمة تصنيف الصور عالية الأداء القادرة على معالجة مجموعات بيانات التصوير واسعة النطاق بدقة محسنة وتدخل بشري أقل.
على الرغم من هذه التطورات، غالبًا ما تتطلب هندسات CNN العميقة التقليدية موارد حسابية كبيرة، بما في ذلك استهلاك الذاكرة العالي، وتعقيد المعلمات المتزايد، والوقت الطويل للتدريب5. هذه المتطلبات الحسابية تقيد تنفيذها في البيئات السريرية المقيدة من حيث الموارد وأنظمة الرعاية الصحية المتنقلة. بالإضافة إلى ذلك، فإن هندسات شبكات CNN خفيفة الوزن قد جذبت اهتمامًا متزايدًا بسبب تعقيدها الحسابي المنخفض وملائمتها لنشرها في التطبيقات منخفضة الموارد5. استكشفت العديد من الدراسات الحديثة استراتيجيات CNN المحسنة، وآليات استخراج الميزات الفعالة، وإطارات النشر خفيفة الوزن لتحسين كفاءة التصنيف دون المساومة بشكل كبير على الدقة التنبؤية6,7,8. ومع ذلك، فإن الموازنة بين الكفاءة الحسابية وأداء التصنيف المتعدد الطبقات للورم تظل تحديًا رئيسيًا في تحليل ورم الدماغ القائم على تصوير الرنين المغناطيسي9.
ظهرت هياكل التعلم العميق القائمة على الانتباه كحلول فعالة لتحسين تمثيل الميزات في تحليل الصور الطبية10. تمكن آليات الانتباه الشبكات العصبية من التركيز الانتقائي على المناطق الشعاعية ذات الصلة بالتشخيص بينما تقمع المعلومات الخلفية غير ذات الصلة. مستوحاة من النظام البصري البشري، تعمل هياكل التعلم الموجهة بالانتباه على تحسين تعلم الميزات التدريجية من خلال توجيه التركيز الحسابي نحو المناطق المكانية المحددة للورم والخصائص السياقية. هذه الآليات مفيدة بشكل خاص لتحليل ورم الدماغ في تصوير الرنين المغناطيسي لأن أنسجة الورم تظهر غالبًا أنماطًا متباينة في الشدة، وشكل غير منتظم، وخصائص بصرية متداخلة بين فئات الورم. وبالتالي، فإن دمج وحدات الانتباه في هندسات CNN يمكن أن يعزز دقة التصنيف ويحسن أداء توطين الميزات.
أظهرت العديد من الدراسات الحديثة إمكانات هياكل التعلم العميق للتشخيص الآلي لأورام الدماغ وتصنيف الورم القائم على تصوير الرنين المغناطيسي11,12. طورت مجموعة Gao وصادقت على نموذج تعلم عميق لتشخيص ورم الدماغ باستخدام بيانات تصوير الرنين المغناطيسي، وبرهن على قدرة تصنيف قوية للتحليل الآلي للتصوير العصبي11. وبالمثل، حقق Abdusalomov وآخرون في نهج الكشف عن ورم الدماغ القائمة على التعلم العميق باستخدام مسحات تصوير الرنين المغناطيسي وأبلغوا عن أداء تشخيصي واعد12. على الرغم من أن هذه الدراسات حققت دقة تصنيف محسنة، لا تزال القيود المتعلقة بتنوع المجموعة، وتعميم النموذج، والمتطلبات الحسابية غير محلولة. في العديد من الحالات، كانت مجموعات البيانات التدريبية محدودة الحجم أو مشتقة من مصادر سريرية محدودة، مما يزيد من خطر الإفراط في التعلم والتقليل من القوة عبر مجموعات المرضى المختلفة.
لتحسين تصور الورم واستخراج الميزات، تم استكشاف تقنيات تحليل تصوير الرنين المغناطيسي متعدد الوسائط وإعادة البناء13,14. حقق Sun وآخرون في تقييم الورم الدبقي متعدد الوسائط في تصوير الرنين المغناطيسي باستخدام إطار عمل إعادة البناء القائم على التعلم العميق مع استراتيجيات إزالة الضوضاء13. أظهرت أعمالهم أهمية تحسين جودة الصورة لتحسين دقة اكتشاف الورم الدبقي. وبالمثل، اقترح Srinivas وRao إطار عمل فصل قائم على التعلم العميق لتحليل المناطق الفرعية للورم الدماغي في تصوير الرنين المغناطيسي متعدد الوسائط14. ساهم نهجهم في تحسين تمييز المناطق الفرعية للورم وساهم في تخطيط العلاج الفردي. ومع ذلك، فإن الأطر متعددة الوسائط تتطلب عمومًا معالجة مسبق كثيفة، وموارد حسابية متزايدة، وتسجيل صور دقيق بين طرائق التصوير، مما قد يحد من قابليتها للاستخدام في البيئات السريرية العملية.
اقترحت أيضًا أساليب اندماج متعدد الوسائط موجهة بالانتباه لتحسين دقة الفصل ودمج ميزات تصوير الرنين المغناطيسي15,16,17,18. قدم Zhou وآخرون إطار عمل اندماج قائم على آلية الانتباه لفصل ورم الدماغ متعدد الوسائط15. أظهرت الدراسة أداء محسنًا للفصل من خلال تعلم الميزات السياقية؛ ومع ذلك، ركز النهج بشكل أساسي على الفصل وليس التصنيف خفيف الوزن للورم. وبالمثل، اقترح Zhou وDu شبكة ثلاثية الأبعاد لإعادة بناء تصوير الرنين المغناطيسي المتسارع16، بينما طور Huang وآخرون AMF-Net، وهو شبكة اندماج متعدد التسلسلات التكيفية لتشخيص ورم الدماغ متعدد الوسائط17. قدم Zhou وآخرون كذلك MLMFNet لإعادة بناء تصوير الر
Protocol
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
استخدمت هذه الدراسة مجموعة بيانات متاحة للجمهور، مجهولة الهوية؛ لذلك، لم يكن هناك حاجة إلى موافقة مستنيرة. يتكون النهج المقترح من ستة مكونات: المعالجة المسبقة، وحدة التفاف، وحدة انتباه، تكامل وحدات التفاف والانتباه، وطبقات متصلة بالكامل (FC). الشكل 1 يوضح سير العمل الكامل لمنهجيتنا.
اكتساب مجموعة البيانات
يتم الحصول على صور الرنين المغناطيسي للدماغ الموسومة من مجموعة بيانات Kaggle المتاحة للجمهور والتي تضم أربع فئات من الأورام والأنسجة الطبيعية.
المعالجة المسبقة للبيانات
يتم تكبير الصور إلى دقة موحدة وتطبيع شدة. يتم تطبيق التعزيز الاختياري (الدورة، الإنقلاب، التكبير) لتحسين التعميم. يتم تقسيم مجموعة البيانات إلى مجموعة تدريب (70٪) ومجموعة اختبار (30٪).
بنية النموذج
تم استخدام ثلاث CNNs أساسية تم تدريبها مسبقًا على ImageNet - MobileNetV2، وEfficientNetV1، وInception-ResNet-V2 - لتصنيف أورام الدماغ إلى أربع فئات باستخدام صور الرنين المغناطيسي. تم تكوين MobileNetV2 وEfficientNetV1 بأبعاد إدخال 224 × 224 بكسل، بينما يتطلب Inception-ResNet-V2 حجم إدخال 299 × 299 بكسل. في عملية التعلم بالنقل، تم تجميد الطبقات التلافيفية الأولية في البداية للاحتفاظ بميزات الصورة المعممة، بينما تم ضبط الطبقات العليا لتصميم النموذج لتصنيف أورام الدماغ. تم إقران كل بنية برأس تصنيف خفيف الوزن يشمل التجميع المتوسط العالمي، والطبقات الكثيفة، والتراجع التنظيمي، ووظيفة تنشيط Softmax للتنبؤ بأربع فئات. تم تنفيذ التراجع لتخفيف الإفراط في الضبط وتعزيز التعميم. دمجت الهندسة المعمارية المصممة بشكل فعال بين استخراج الميزات الفعّالة والمتطلبات الحسابية الأقل، مما يسهل التصنيف الدقيق بينما يظل مناسبًا للنشر في سيناريوهات محدودة الموارد وعروض المفهوم.
استخراج الميزات المستند إلى الانتباه
يتم معالجة الصور المدخلة من خلال طبقة تلافيفية أولية متبوعة بوحدة انتباه مخصصة. التجميع الأقصى المتوازي والتجميع المتوسط يلتقطان الميزات البارزة والسياقية، والتي يتم دمجها وتحسينها عبر التلافيف لتسليط الضوء على المناطق ذات الصلة بالورم.
الهيكل التلافيفي والاندماج
يتم توجيه الميزات المرجحة بالانتباه إلى الخلفيات المدربة (MobileNetV2، وEfficientNetV1، أو Inception-ResNet-V2). يتم دمج الطبقات التلافيفية عالية المستوى منطقيًا لتقليل الوصول إلى الذاكرة وتحسين الكفاءة الحسابية.
التصنيف
يتم تمرير الميزات المسطحة من خلال طبقات متصلة بالكامل مع تنشيط ReLU6 والتراجع، مما ينتج تمثيلًا مضغوطًا للتصنيف النهائي لأربع فئات softmax.
التقييم
يتم تقييم أداء النموذج على مجموعة الاختبار باستخدام الدقة، والدقة، والاسترجاع، ودرجة F1، ومصفوفات الارتباك.
تطوير الإطار
يتم تنفيذ الحل المقترح في Python ويستخدم Keras للتنفيذ. الجدول 1 يوضح المعلمات. يتم تقسيم مجموعة البيانات إلى مجموعة تدريب ومجموعة اختبار بنسبة 70:30. يتم استخدام خمس تقسيمات عشوائية مختلفة للقطارات/الاختبارات لعرض الأداء المتوازن النهائي لكل مجموعة بيانات.
المعالجة المسبقة
يجب تحديث الصور المدخلة لأن إطار MobileNetV2 يعمل كأساس للحل المقترح. لتحديد السمات عالية الدقة من الصور، يتم استخدام نموذج MobileNetV2 المدرب مسبقًا بأبعاد الإدخال الخاصة به. ثم يتم تكبير كل صورة إدخال إلى 224 × 224 بكسل في النطاق [-1، 1].
نموذج التفاف
يعزز MobileNetV2 التعرف على الصور من خلال الاستفادة من بنية شبكة عصبية تلافيفية (CNN) فعالة مصممة لتقليل المتطلبات الحسابية. بينما تحقق CNNs التقليدية دقة عالية، فإنها غالبًا ما تتطلب ذاكرة وقوة معالجة كبيرتين. قدم MobileNetV1 مفهوم التفاف العمق القابل للفصل، الذي يفصل التفاف القياسي إلى عمليتين منفصلتين: التفاف العمق لفلترة المدخلات والتفاف النقطي لدمج السمات. يبني MobileNetV2 على هذه الفكرة من خلال دمج كتل بقايا القارورة التي تتكون من طبقات توسع، تلافيف عمق، طبقات إسقاط، ووصلات بقايا. تعمل طبقة الإسقاط على ضغط قنوات السمات، بينما تسهّل الوصلات الباقية تدفق المعلومات بشكل أفضل في جميع أنحاء الشبكة. لتحسين الاستقرار وتعزيز أداء التعلم، يتم تطبيق تنشيط ReLU6 وتطبيع الدُفعة بعد العمليات التلافيفية.
في هذا البحث، تم استخدام MobileNetV2، المدرَّب مسبقًا على ImageNet، كنموذج أساسي لاستخراج السمات، مما يوفر تمثيلات دلالية عالية المستوى فعالة مع الحفاظ على التكاليف الحسابية المنخفضة لتصنيف أورام الدماغ. بعد كل طبقة تلافيفية، هناك طبقة تنشيط ReLU6، وهي تعديل لوظيفة تنشيط ReLU، حيث يتم تعظيم الحجم عند ستة، وطبقة تطبيع الدُفعة. يتم تطبيق التلافيف 1 × 1 العادية، والتجميع المتوسط، وطبقات التصنيف على 17 من كتل القارورة المتبقية، مما يشكل بنية MobileNetV2 الكاملة. استخدمنا MobileNetV2 كشبكة أساسية مدرَّبة مسبقًا على ImageNet. في هذه الحالة، يتم الحصول على الخريطة التلافيفية من آخر كتلة بقايا بعد المرور عبر طبقة التلافيف MobileNetV2. تنتج كتله البقايا الأدنى خرائط ميزات أصغر. لا تساهم مثل هذه الكتل في بحثنا لأنها لا تجمع البيانات عالية المستوى لتحديد الصورة الإجمالي. أثناء بناء النموذج والتدريب، يتم تثبيت الطبقات السابقة للطبقات التلافيفية التي تولد ميزة ثلاثية الأبعاد 7 × 7. من الناحية الرياضية، يتم التعبير عن ذلك أدناه في المعادلة (1):
F1(I) = Conv(I) (1)
هنا، يمثل F1(I) الميزة التلافيفية المستخرجة من الصورة المدخلة، I.
وحدة التركيز
يعمل آلية انتباه الدماغ البشري، التي تشير إلى أن الأشخاص يركزون بشكل طبيعي على المدخلات المرئية المهمة أكثر من كل التفاصيل في الصورة، كقاعدة لتصميم شبكة التحويل هذه. تم إنشاء العديد من النماذج المستندة إلى الانتباه في أبحاث التعلم العميق بسبب هذه الفكرة. تسلط آلية الانتباه المقترحة الضوء على الارتباطات المكانية المرئية في تمثيلات أورام الدماغ. بينما يلتقط وحدة الانتباه القناة المعلومات الأكثر أهمية المتعلقة بالورم عبر قنوات السمات، تحدد وحدة الانتباه الإقليمية المناطق الأكثر إفادة من صورة الرنين المغناطيسي. باستخدام طريقة انتباه هيكلية، تركز وحدة التركيز المقترحة على المناطق التي تحتوي على معلومات تمييزية للورم.
لتحسين تمثيل السمات، يتم استخدام تقنيات مثل تجميع التنشيط الأعلى والاستخراج
Results
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
تم تقييم ثلاثة نماذج تعلم عميق مسبقًا، وهي MobileNetV2 و EfficientNetV1 و Inception-ResNet-V2، لتصنيف أورام الدماغ إلى أربع فئات باستخدام صور التصوير بالرنين المغناطيسي.
المجموعة المستخدمة
تم تقييم الإطار المقترح باستخدام مجموعة بيانات متوفرة بشكل عام لصور التصوير بالرنين المغناطيسي لأورام الدماغ تم الحصول عليها من منصة Kaggle. تتكون المجموعة من 835 صورة لدماغ طبيعي، و826 صورة لورم دبقي، و822 صورة لورم ورم قولبي، و827 صورة لورم نخامي. يتم عرض عينات تصوير بالرنين المغناطيسي تمثيلية من المجموعة في الشكل 2.
MobileNetV2
احتوى نموذج MobileNetV2 على 2,263,108 معلمة إجمالية، بما في ذلك 2,228,996 قابلة للتدريب و34,112 غير قابلة للتدريب. يتم عرض مقاييس أداء التصنيف في الجدول 2. حقق النموذج دقة تصنيف إجمالية بنسبة 97٪، مع مقاييس F1 Scores متوسطة وزنوجية مماثلة. يظهر مصفوفة الالتباس في الجدول 3 أداءً قويًا للتصنيف عبر جميع فئات الأورام الأربعة، مع عدد قليل نسبيًا من الأخطاء في التصنيف بين الأورام الدبقية والورم الورم قولبي.
الشكل 3 يعرض منحنيات دقة/فقدان التدريب والتحقق لـ MobileNetV2. أظهر النموذج تقاربًا مستقرًا بعد عدة فترات تدريب، مع تحسين تدريجي لأداء التحقق.
Inception-ResNet-V2
كان لدى نموذج Inception-ResNet-V2 54,342,884 معلمة إجمالية، بما في ذلك 54,282,340 قابلة للتدريب و60,544 غير قابلة للتدريب. يتم تلخيص مقاييس التصنيف في الجدول 4. حقق النموذج دقة تصنيف إجمالية بنسبة 98٪، مما يدل على أداء محسّن مقارنة بـ MobileNetV2.
يشير مصفوفة الالتباس في الجدول 5 إلى دقة تصنيف عالية عبر جميع فئات الأورام مع انخفاض معدلات الأخطاء في التصنيف. لوحظ تمييز محسّن بين فئات الأورام مقارنة بنموذج MobileNetV2. يوضح الشكل 4 منحنيات أداء التدريب والتحقق لـ Inception-ResNet-V2. أظهر النموذج سلوك تعلم مستقر وتقاربًا ثابتًا عبر فترات التدريب.
EfficientNetV1
احتوى نموذج EfficientNetV1 على 6,580,363 معلمة إجمالية، بما في ذلك 6,518,308 قابلة للتدريب و62,055 غير قابلة للتدريب. تظهر مقاييس التصنيف الموجزة في الجدول 6 أعلى أداء بين النماذج المقيّمة، حيث حقق ما يقرب من 99٪ من الدقة والدقة والتذكر ودرجة F1.
يظهر مصفوفة الالتباس في الجدول 7 أداءً قويًا للتصنيف عبر جميع فئات الأورام الأربعة، مع أدنى قدر من الأخطاء في التصنيف. صنفت النموذج بشكل صحيح معظم صور الأورام الدبقية، والورم الورم قولبي، وعدم وجود ورم، وأورام النخامية.
الشكل 5 يعرض منحنيات دقة/فقدان التدريب والتحقق لـ EfficientNetV1. حقق النموذج تقاربًا مستقرًا مع تقلبات تحقق أقل مقارنةً بالهياكل الأخرى التي تم تقييمها.
المقارنة العامة
من بين النماذج المقيّمة، حقق EfficientNetV1 أعلى أداء في التصنيف مع الحفاظ على تعقيد حسابي أقل من Inception-ResNet-V2. أظهر MobileNetV2 أداء خفيف الوزن مع متطلبات معلمات منخفضة، بينما حقق Inception-ResNet-V2 دقة تصنيف محسّنة على حساب تعقيد نموذج أعلى بكثير. تشير النتائج إلى أن EfficientNetV1 يوفر أفضل توازن بين دقة التصنيف والكفاءة الحسابية لتصنيف أورام الدماغ إلى أربع فئات باستخدام صور التصوير بالرنين المغناطيسي.
توفر البيانات
مجموعة بيانات التصوير بالرنين المغناطيسي للدماغ التي تم تحليلها في هذه الدراسة متاحة بشكل عام من خلال منصة Kaggle. جميع البيانات التي تم إنشاؤها وتحليلها خلال هذه الدراسة، بما في ذلك نتائج التصنيف، ومقاييس الأداء، ومصفوفات الالتباس، ونتائج التدريب/التحقق، يتم عرضها في أشكال وجداول هذه المقالة. يتوفر الكود المخصص المستخدم لتطوير النموذج وتقييمه من المؤلف المقابل عند الطلب المعقول.
الشكل 1: إطار التعلم بالنقل الموجه بالانتباه لتصنيف أورام الدماغ إلى أربع فئات. يوضح سير العمل المعالجة المسبقة، واستخراج الميزات على أساس الانتباه، والتعلم الميزات التلافيفية، ودمج الميزات، وطبقات التصنيف الكاملة المستخدمة لتصنيف الأورام المستند إلى التصوير بالرنين المغناطيسي. الرجاء النقر هنا لعرض نسخة أكبر من هذا الشكل.
الشكل 2: صور تصوير بالرنين المغناطيسي تمثيلية من مجموعة أورام الدماغ إلى أربع فئات.
يتم عرض مسحات التصوير بالرنين المغناطيسي المقابلة لورم دبقي، وورم ورم قولبي، وورم نخامي، وفئات الدماغ الطبيعي المستخدمة في تدريب النموذج وتقييمه. الرجاء النقر هنا لعرض نسخة أكبر من هذا الشكل.
الشكل 3: منحنيات دقة/فقدان التدريب والتحقق لـ MobileNetV2. توضح المخططات سلوك التقارب لـ MobileNetV2 أثناء التدريب، بما في ذلك التغييرات في دقة التصنيف والفقدان عبر الفترات. الرجاء النقر هنا لعرض نسخة أكبر من هذا الشكل.
Discussion
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
تكشف تقييمات الأداء، التي تستند إلى الدقة، والتذكر، ودرجة F1، والدقة، أن كلاً من MobileNetV2 وInception-ResNet-V2 تحقق نتائج مماثلة في تصنيف أورام الدماغ، حيث يحقق كل منهما دقة إجمالية ومتوسطة مرجحة بنسبة 97-98%. وعلى النقيض من ذلك، تتفوق EfficientNet على النماذج الأخرى، حيث تحقق دقة 99% عبر المقاييس الكلية والمرجحية، وذلك بفضل إستراتيجية التوسع المركب والتعميم المعزز. تتوافق هذه النتائج مع الدراسات السابقة التي توضح فعالية هياكل EfficientNet في تصنيف الأورام متعددة الطبقات على التصوير بالرنين المغناطيسي وتعلم الميزات الفعّال حسابيًا22. وبالمثل، أظهرت أطر MobileNetV2 القائمة على التعلم التحويلي أداءً قويًا في مهام تصنيف أورام الدماغ خفيفة الوزن مع الحفاظ على تعقيد حسابي أقل21.
يمكن أن يُعزى الأداء المحسن لـEfficientNetV1 إلى توازنه في توسيع عمق الشبكة وعرضها ودقة الإدخال، مما يمكن من استخراج فعّال للميزات التمييزية المتعلقة بالورم. تم الإبلاغ عن ملاحظات مماثلة تتعلق بمزايا استراتيجيات التوسع المركب في دراسات سابقة لتحسين الشبكات العصبية7,8. بالإضافة إلى ذلك، ربما ساهم دمج وحدة استخراج الميزات الموجهة بالانتباه في تحسين تحديد المواقع للمناطق ذات الصلة بالورم عن طريق قمع المعلومات غير ذات الصلة بالخلفية، وهو ما يتماشى مع النتائج التي توصل إليها دراسات تصنيف الصور الطبية القائمة على الانتباه10,15.
على الرغم من هذه النتائج، تظل هناك عدة تحديات في تصنيف أورام الدماغ، بما في ذلك التمييز الدقيق للأورام غير المنتظمة، وتقسيم المناطق الفرعية خارج قلب الورم، والتصنيف الدقيق عبر أنواع أنسجة الدماغ المتنوعة. أشارت الدراسات السابقة إلى حدود مماثلة تتعلق بتنوع مجموعات البيانات، والقدرة على التعميم، والتعقيد الحسابي في أنظمة تصنيف الأورام القائمة على التصوير بالرنين المغناطيسي9,11,12. علاوة على ذلك، أظهرت أطر التصوير بالرنين المغناطيسي المتعددة الوسائط تمثيلًا أفضل للميزات وتصورًا أفضل للورم، على الرغم من أن هذه الأساليب غالبًا ما تتطلب معالجة مكثفة وموارد حسابية أعلى13,17,18,20.
الجدول 8 يعرض تحليلًا موحدًا للتثبيط المتبادل لـMobileNetV2، وInception-ResNet-V2، وEfficientNetV1 مع تحقق من صحة 5 أضعاف. يعرض الجدول متوسط وانحراف معياري للدقة والدقة والاسترجاع ودرجة F1، إلى جانب دقة كل طي. يظهر MobileNetV2 أداءً مستقرًا ولكنه أقل نسبيًا، بينما يحسن Inception-ResNet-V2 الدقة والاتساق. يحقق EfficientNetV1 أعلى متوسط دقة (0.989 ± 0.003) بأقل تباين، مما يشير إلى قدرة تعميم ممتازة. تُظهر دقته المرتفعة باستمرار عبر الطيات (0.986-0.992) أداءً ثابتًا ومستقرًا عبر انقسامات البيانات المتعددة، مما يجعلها النموذج الأكثر فعالية لتصنيف أورام الدماغ على أربعة فئات في هذا الدراسة.
قيود الدراسة
تعتمد تقييم الإطار الحالي فقط على توسيع البيانات عبر الإنترنت، مما قد يحد من قوته في التعامل مع تنوع البيانات الأوسع في السيناريوهات الواقعية. بالإضافة إلى ذلك، تستكشف الدراسة بشكل أساسي استخراج الميزات من طبقات الالتفافية النهائية، دون تقييم الفوائد المحتملة لدمج دمج ميزات الطبقات المتعددة. كما تقتصر الأبحاث على مجموعات بيانات التصوير بالرنين المغناطيسي الثابتة ولم يتم التحقق منها في سير عمل سريري مباشر، مما قد يشكل تحديات تكامل.
اتجاهات البحث المستقبلية
يجب أن تستكشف الأعمال المستقبلية تجميع الميزات المتعددة الطبقات من MobileNetV2 ودعائم أخرى لتعزيز دقة التصنيف. وسيؤدي تمديد الإطار لدعم بيانات التصوير المتعددة الوسائط والتحقق من أدائها في بيئات سريرية في الوقت الفعلي إلى تعزيز قابليتها للتطبيق العملية. بالإضافة إلى ذلك، يمكن أن يؤدي تحسين الهيكل للنشر على منصات الأجهزة المحمولة وإنترنت الأشياء، إلى جانب تقنيات التوسيع المتقدمة ومجموعات بيانات المرضى الواقعية، إلى تشخيصات عالية الأداء لأورام الدماغ في بيئات رعاية صحية متنوعة.
الخلاصة
تقدم هذه الدراسة إطارًا تعليميًا تحويليًا خفيف الوزن موجهًا بالانتباه لتصنيف أورام الدماغ على أربع فئات باستخدام صور التصوير بالرنين المغناطيسي. من خلال الاستفادة من التعلم التحويلي مع MobileNetV2، وEfficientNetV1، وInception-ResNet-V2، يحقق النموذج دقة عالية مع الحفاظ على الكفاءة الحسابية، مما يجعله مناسبًا بشكل محتمل للبيئات السريرية المحدودة الموارد. توضح التجارب على مجموعة بيانات التصوير بالرنين المغناطيسي المتوازنة على أربع فئات أن EfficientNetV1 يقدم أفضل النتائج، حيث يحقق دقة بنسبة 99%، ودقة، واسترجاع، ودرجة F1. يوفر الهيكل المقترح توازنًا فعالاً بين الأداء واستخدام الموارد، مما يقدم نهجًا واعدًا لسيناريوهات التصوير الطبي المحدودة الموارد.
Disclosures
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
المؤلفون ليس لديهم أي تعارض في المصالح للإفصاح عنه.
Acknowledgements
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
لم يتم تلقي أي تمويل خارجي لهذه الدراسة.
Materials
```html
| Name | Company | Catalog Number | Comments |
|---|---|---|---|
| مجموعة بيانات الرنين المغناطيسي الدماغي | IEEE | https://dx.doi.org/10.21227/q2vt-tf46 | يتم تحميل المجموعة مع الوصول المؤسسي. تحتوي مجموعة الرنين المغناطيسي الدماغي على أربع فئات: الورم الدبقي، الورم السحائي، ورم الغدة النخامية، والدماغ الطبيعي |
| مسرع CNN (دمج الطبقات) | عمل مقترح | — | دمج منطقي للطبقات التلافيفية العلوية لتقليل الوصول إلى الذاكرة وتحسين الكفاءة الحسابية |
| وحدة الانتباه المخصصة | عمل مقترح | — | آلية انتباه تدمج تجمع الحد الأقصى وتجمع المتوسط لتسليط الضوء على المناطق ذات الصلة بالورم |
| EfficientNetV1 | مدرَّبة مسبقًا (ImageNet) | بنية CNN قابلة للتطوير توفر أفضل توازن بين الدقة والكفاءة | |
| Google Colaboratory | https://colab.research.google.com/ | بيئة قائمة على السحابة تُستخدم لتدريب النموذج والتقييم والتجربة مع دعم GPU | |
| Inception-ResNet-V2 | مدرَّبة مسبقًا (ImageNet) | بنية CNN هجينة عميقة تجمع بين وحدات Inception والوصلات المتبقية | |
| Keras | v2.6.0 | واجهة API عالية المستوى لشبكات عصبية بنيت على TensorFlow لتطوير نماذج سريع | |
| Matplotlib | مطورو Matplotlib | v3.4.3 | مكتبة تصور تُستخدم لرسم منحنيات التدريب، مصفوفات الخلط، ومعايير الأداء |
| MobileNetV2 | مدرَّبة مسبقًا (ImageNet) | بنية CNN خفيفة الوزن محسنة للنشر في الأجهزة المحمولة والأجهزة الطرفية | |
| NumPy | مطورو NumPy | v1.21.4 | مكتبة الحوسبة العلمية الأساسية المستخدمة للعمليات الحسابية |
| Pandas | فريق تطوير Pandas | v1.3.4 | مكتبة لمعالجة البيانات والبيانات المستخدمة لتنظيم المجموعة ومعالجة البيانات الوصفية |
| Python | مؤسسة Python للبرمجيات | v3.8.10 | لغة البرمجة الأساسية المستخدمة لمعالجة البيانات المسبقة، وتطوير النماذج، والتقييم |
| Scikit-learn | مطورو Scikit-learn | أحدث إصدار مستقر | يُستخدم لتقييم معايير الأداء مثل الدقة، الاسترجاع، دقة F1، ومصفوفات الخلط |
| Seaborn | مطورو Seaborn | أحدث إصدار مستقر | مكتبة تصور إحصائي عالية المستوى تُستخدم للتحليل البياني المحسن |
| TensorFlow | v2.6.0 | إطار عمل التعلم العميق شامل يستخدم لتنفيذ هياكل CNN ووحدات الانتباه |
Reprints and Permissions
Request permission to reuse the text or figures of this JoVE article
Request Permission