Research Article

معالجة الصور المسبق وحساسية المحسن: تداعيات على الشبكات العصبية الالفافية في تشخيص أورام الدماغ

DOI:

10.3791/69459

⸱

February 17th, 2026

 ,  ,  , 
1Gandhi Institute of Technology and Management (GITAM) Deemed to be University, 2Koneru Lakshmaiah Education Foundation, 3Sasi Institute of Technology & Engineering

In This Article

Summary

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

تستخدم هذه الدراسة إطارا مسيطرا مضبوطا لتقييم خطوط معالجة ما قبل المعالجة والمحسينات ضمن بنية ثابتة، بهدف تحديد كيف تؤثر المعالجة المسبقة الكلاسيكية على المحسنين والشبكات العصبية الالتفافية (CNNs) في تصنيف أورام الدماغ.

Abstract

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

تصنيف أورام الدماغ باستخدام التصوير بالرنين المغناطيسي (MRI) يمثل تحديات بسبب الاختلافات في حجم الورم وشكله وملمسه. على الرغم من أن طرق معالجة الصور التقليدية تستخدم عادة لتحسين جودة الإدخال، إلا أن تأثيرها على سلوك المحسن وأداء CNN لم يتم التحقيق فيه بعد بشكل شامل. تفحص هذه الأبحاث تأثير المعالجة المسبقة على التقارب، والتعميم، ودقة التصنيف عبر مختلف المحسينات. نستخدم مجموعة بيانات كاجل المتاحة للجمهور لإنشاء خطي معالجة مسبقة: خط أنابيب أساسي يغير حجم الصور فقط، وخط أنابيب تقليدي يحول الصور إلى درجات رمادية، ويطمسه، ويطبق التصفية الشكلية (مورفولوجي). ثم نختبر كيف تؤثر هذه الخطوط على ثلاثة محسنات: آدم، انتشار الجذر المتوسط التربيعي (RMSProp)، والنزول التدرج العشوائي (SGD). لفصل متغيرات البروتوكول، يتم استخدام بنية CNN ثابتة في جميع الأنحاء. يتم تقييم الأداء باستخدام الدقة والدقة والاسترجاع ودرجة F1، ويتم التحقق من ذلك من خلال التحقق المتقاطع الخماسي. تظهر النتائج أن المعالجة المسبقة الأساسية تعطي دقة أعلى وتقارب أكثر استقرارا عبر جميع المحسنين، حيث حقق RMSProp وSGD أعلى متوسط دقة بنسبة 99.53٪ تحت التحقق المتقاطع الخماسي. تتناول النتائج التأثير غير المدرس للمعالجة المسبقة على أداء المحسن، مع التأكيد على الحاجة إلى استراتيجيات تدريب واعية بالمعالجة المسبقة لتحسين المتانة وقابلية التفسير في تحليل الصور الطبية.

Introduction

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

تصنيف أورام الدماغ باستخدام التصوير بالرنين المغناطيسي (MRI) هو مهمة حاسمة في علم الأورام العصبية، حيث يؤثر التشخيص المبكر والدقيق بشكل مباشر على تخطيط العلاج ونتائج المرضى1. أصبحت شبكات CNN النهج السائد لأتمتة هذه العملية بسبب قدرتها على تعلم الميزات المكانية والنسيجية الهرمية مباشرة من بيانات الصور الخام2. ومع ذلك، تظل جودة بيانات الإدخال عاملا رئيسيا في تحديد أداء النموذج. تستخدم تقنيات المعالجة المسبقة الكلاسيكية - مثل التحويل الرمادي، والتمويه الغاوسي، وتحديد العتبة، والعمليات الشكلية - بشكل روتيني لتقليل الضوضاء والتركيز على الحدود الهيكلية3،

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

Protocol

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

يوضح الشكل 1 نظرة عامة على سير عمل البروتوكول. تفحص هذه الدراسة تأثير المعالجة المسبقة للصور الكلاسيكية على أداء شبكات CNN وسلوك المحسينات في تصنيف أورام الدماغ باستخدام الرنين المغناطيسي. يشمل البروتوكول إعداد مجموعات البيانات، وخطوط معالجة مسبقة ذات مسارين، وبنية النموذج، وتكوين المحسن، وتقييم الأداء، والتحقق من قابلية التفسير. تم تنفيذ جميع التجارب في بايثون 3.10.12 باستخدام نسخة كيراس 2.13.1 مع خلفية TensorFlow، وإصدار OpenCV 4.8.0، وإصدار Matplotlib 3.8.0.

إعداد مجموعة البيانات
تم استخدام مجموعة بيانات الرنين المغناطيسي لأورام الدماغ BR35H من كاجل

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

Results

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

محسن آدم - المعالجة المسبقة الأساسية:
يوضح الشكل 2 أداء نموذج تصنيف أورام الدماغ باستخدام محسن آدم مع معالجة مسبقة على الأساس (Baseline). تظهر مصفوفة الالتباس فصلا شبه مثالي بين الحالات الورمية وغير الورمية، مع 8 تصنيفات خاطئة فقط من أصل 600 عينة. يؤكد تقرير التصنيف المرافق ذلك بدقة، واستدعاء، ودرجات F1 جميعها عند 0.98 أو أعلى لكلا الفئتين.

محسن آدم مع المعالجة المسبقة التقليدية:
يوضح

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

Discussion

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

كان نجاح تصنيف أورام الدماغ المعتمد على CNN في هذه الدراسة مدفوعا بشكل أساسي بمكونين بروتوكولي: تصميم المعالجة المسبقة واختيار المحسن. حافظت المعالجة المسبقة الأساسية — التي تتكون فقط من تغيير حجم الصورة — على كثافة البكسلات الأصلية والبنية المكانية، مما مكن النموذج من تعلم الميزات ذات الصلة سريريا. على النقيض من ذلك، أدخلت طرق المعالجة المسبقة التقليدية (مثل تحويل التدرج الرمادي، والضباب الغاوسي، وتحديد العتبة، والعمليات الشكلية الشكلية) تجريد الميزات، الذي غالبا ما كان يقمع الإشارات ال.......

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

Disclosures

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

المؤلفون ليس لديهم ما يكشفون عنه.

Acknowledgements

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

يعبر المؤلفون عن تقديرهم وشكرهم العميق لجامعة GITAM وفريق القيادة والعميد ورئيس قسم علوم وهندسة الحاسوب في حرم فيساكاباتنام، على دعمهم المستمر وتشجيعهم للبحث والتطوير.

....

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

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
غلاف APIكيراس2.13.1 (RRID:SCR_016345)واجهة برمجة تطبيقات عالية المستوى لبنية وتدريب CNN
أداة النسبةتنفيذ GRAD-CAMالمخصص (عبر كيراس)التفسير البصري لانتباه CNN
مجموعة بيانات تصوير بالرنين المغناطيسي لأورام الدماغ BR35H  كاجلhttps://www.kaggle.com/ahmedhamada0/brain-tumor-detectionمصدر صور الرنين المغناطيسي الموسومة للتصنيف  
مجموعة بيانات أورام الدماغ  التحليل الفائقhttps://docs.ultralytics.com/datasets/detect/brain-tumor/
مكتبة التعلم العميقتنسور فلو2.15.0 (RRID:SCR_018345)الواجهة الخلفية لتنفيذ نموذج CNN
معالجة الصورOpenCV4.8.0 (RRID:SCR_015526)المعالجة المسبقة: الرمادي، الضباب، العتبة، الشكل
لغة البرمجةبايثون3.10.12 (RRID:SCR_008394)بيئة التنفيذ لجميع التجارب
التصورماتبلوتليب3.8.0 (RRID:SCR_008624)رسم منحنيات الفقدان وطبقات التدرجات التكميلية

References

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Devkota, B., et al. Image segmentation for early stage brain tumor detection using mathematical morphological reconstruction. Procedia Comput Sci. 125, 115-123 (2018).
  2. Antony, A., Minla, K. S. Brain tumor detection from MRI images using C....

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 ClassificationImage PreprocessingConvolutional Neural NetworksMRI Brain TumorsOptimizer SensitivityCNN PerformanceRMSProp OptimizerStochastic Gradient DescentFive Fold Cross ValidationMedical Image Analysis

Related Articles