מאמר מחקר

היתוך רב-מודאלי מוגבר לזיהוי אופטימלי של גידולי מוח: הערכה וניתוח השוואתי

DOI:

10.3791/67822

⸱

10 ביוני 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

במאמר זה

סיכום

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

מחקר זה מציע שיטה אופטימלית לזיהוי גידולי מוח על ידי שילוב והערכה של חמישה מודלים מאומנים מראש. הגישה משיגה דיוק והכללה משופרים על ידי שימוש בהגדלת תמונה מתקדמת, כוונון היפרפרמטרים ואופטימיזציות שונות, המציעה תרומות משמעותיות להדמיה רפואית לאבחון גידולי מוח.

תקציר

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

גידולי מוח מהווים אתגר רפואי משמעותי, המחייב שיטות זיהוי מדויקות ויעילות להתערבות בזמן. עבודה זו משלבת מספר מודלים בסיסיים מאומנים מראש, כגון VGG16, MobileNetV2, DenseNet121, InceptionV3 ו-ResNet50, כדי להציע שיטה חדשה לאבחון גידולי מוח. הוצעה טכניקה יעילה וסטנדרטית כדי להתאים לדגמי בסיס שונים, להבטיח עקביות וקלות תחזוקה ולהקל על השוואת הדגמים. כדי להגביר את מגוון מערך נתוני האימון ולשפר את הכללת המודל, נעשה שימוש בשיטות הגדלת תמונה בולטות כמו התאמת בהירות וניגודיות. יתר על כן, צינור הדרכה יעיל המשתמש במחוללי נתונים נועד לעבד מערכי נתונים גדולים ביעילות תוך חיסכון בכוח המחשוב.

המחקר ערך ניתוח יסודי באמצעות שלושה אופטימייזרים שונים (Adam, Stochastic Gradient Descent ו-Adamax) המיושמים על כל מודל בסיס מאומן מראש, עם התאמות מקיפות של היפרפרמטרים. מדדים כמו זיכרון, דיוק, דיוק, ציון F1 ומטריצות בלבול משמשים להערכת ביצועי המודל, ומספקים הבנה מקיפה של התנהגות המודל. השוואה שיטתית של ביצועי כל מודל סיפקה בחינה מעמיקה של חוזקות וחולשות, מה שהקל על בחירת מודל מושכלת וקבלת החלטות עבור יישומי זיהוי גידולי מוח. MobileNetV2 השיגה את הביצועים הכוללים הגבוהים ביותר עם דיוק של 96%, דיוק של 96%, זיכרון של 94% וציון F1 של 95% באמצעות האופטימיזציה של Adam. DenseNet121 ו-VGG16 הציגו גם הם ביצועים טובים, והשיגו דיוק של 95% ו-94%, בהתאמה. InceptionV3 הפגין ביצועים מעט נמוכים יותר בהשוואה לדגמים בעלי הביצועים הטובים ביותר, עם דיוק של 93%, דיוק של 93%, זיכרון של 91% וציון F1 של 92%. ResNet50 הציג ביצועים נמוכים יחסית עם דיוק של 77%, דיוק של 78%, זיכרון של 76% וציון F1 של 76%. מדדים אלה מדגימים את החוסן והיעילות של השיטה המוצעת לזיהוי גידולי מוח.

מבוא

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

גידולי מוח, בין אם שפירים או ממאירים, מהווים איום משמעותי על בריאות האדם ורווחתו. גילוי בזמן של גידולים אלה ממלא תפקיד מרכזי בקביעת תוצאות המטופלים, מה שהופך אותו לעדיפות בתחום הרפואי 1,39 (ראה גם טבלה משלימה S1). גילוי גידולי מוח בשלב מוקדם הוא לא רק מטרה רפואית חיונית אלא גם חבל הצלה חיוני לחולים. על ידי מתן אפשרות להתערבות בזמן וגישה לאפשרויות טיפול יעילות, הוא מטפח פרוגנוזה משופרת, מעצים את המטופלים ומפחית את הנטל הכוללשל מצב מאתגר זה. ניטור רציף של התקדמות המחלה, המתאפשר על ידי טכניקות כמו MRI, חיוני להתאמת אסטרטגיות טיפול 1,3 ואיתור סיבוכים פוטנציאליים. גילוי מוקדם לא רק משפר את הישרדות המטופלים אלא גם משפר את איכות החיים על ידי מתן תקווה לתוצאות מוצלחות ופרוגנוזה טובה יותר לטווח ארוך.

למידה עמוקה היא חיונית בזיהוי גידולי מוח, ומציעה יכולות שאין שני להן בניתוח נתוני הדמיה רפואית מורכבים 4,5,6 בדיוק ובמהירות יוצאי דופן. מודלים של למידה עמוקה, במיוחד אלה המשתמשים במבני רשת עצבית מתקדמים כגון רשתות עצביות קונבולוציוניות (CNNs), יעילים ביותר בזיהוי אוטונומי של דפוסים ותכונות מורכבות ממגוון שיטות הדמיה רפואיות, כגון טומוגרפיה ממוחשבת (CT), טומוגרפיה של פליטת פוזיטרונים (PET) וסריקות MRI 7,41.

אחד היתרונות המרכזיים של למידה עמוקה בזיהוי גידולי מוח הוא יכולתה לזהות אותם בשלבים מוקדמים מאוד 8,9,10,11. על ידי הבחנה בחריגות עדינות בתמונות רפואיות שעלולות להתחמק מהתבוננות אנושית, אלגוריתמים של למידה עמוקה מאפשרים לספקי שירותי בריאות להתחיל טיפול באופן מיידי, ובכך למנוע את התקדמות הגידול 12,15,17,18,19,20 ולשפר את תוצאות המטופלים 15,17. יכולת זו היא קריטית להנחיית החלטות טיפול ולניבוי פרוגנוזה של המטופל 24,25,26. מודלים של למידה עמוקה, שהוכשרו על מערכי נתונים נרחבים 27,28,29 יכולים לתפוס קשרים מורכבים בין תכונות הדמיה לפתולוגיה של הגידול, ולספק תובנות אבחון מדויקות ומהימנות 30,31,32,33.

ההתקדמות האחרונה בלמידה עמוקה הציגה ארכיטקטורות מבוססות שנאי, שתוכננו במקור לעיבוד שפה טבעית, ככלים משני משחק בהדמיה רפואית. בניגוד ל-CNNs מסורתיים, רובוטריקים משתמשים במנגנוני תשומת לב עצמית כדי ללכוד תלות גלובלית בנתונים, מה שהופך אותם ליעילים במיוחד עבור משימות מורכבות כמו פילוח וסיווג גידולים. מחקרים כמו אלה שנערכו על ידי Saeed et al.41 ו-Mehmood et al.38 הדגישו את הצלחתם של מודלים משופרים בשנאים כמו DeepLabV3+ ו-TransResUNet, ששיפרו משמעותית את דיוק הפילוח ויכולת ההסבר בזיהוי גידולי מוח. מודלים אלה מספקים הבנה מעמיקה יותר של תמונות רפואיות, כפי שהודגם על ידי Xuanzhi et al.40, שם יושמו שנאים למודלים חזויים.

היכולת שלהם למפות קשרים מרחביים מורכבים עם פחות תלות במערכי נתונים גדולים ומתויגים משנה את התחום, וסוללת את הדרך לפתרונות אבחון אדפטיביים וניתנים להרחבה יותר. זה מסמן שינוי משמעותי בהדמיה רפואית, תוך שימת דגש על דיוק ויעילות בזיהוי וניתוח. איתור גידולי מוח באמצעות למידה עמוקה התגלה כתחום מרכזי של התמקדות בהדמיה רפואית, מונע על ידי התקדמות בשיטות למידת העברה ואופטימיזציה1. למרות התקדמות זו, נותרו אתגרים, כגון שונות בביצועי המודל, חקירה לא מספקת של טכניקות אופטימיזציה והערכה מוגבלת של כוונון היפרפרמטרים ואסטרטגיות הגדלת נתונים.

למידת העברה בהדמיה רפואית

טכניקות אופטימיזציה: אלגוריתמי אופטימיזציה קיימים נאבקים לעתים קרובות באיזון יעילות חישובית ומהירות התכנסות, במיוחד במרחבים בעלי מימדים גבוהים. יש צורך בשיטות אופטימיזציה אדפטיביות והיברידיות שיכולות להסתגל באופן דינמי לנופי בעיות שונים.

הגדלת נתונים ועיבוד מקדים: טכניקות הגדלת נתונים נוכחיות עשויות להציג טרנספורמציות לא מציאותיות שאינן מכלילות היטב לתרחישים בעולם האמיתי. יש צורך במחקר נוסף על אסטרטגיות הגדלה אדפטיביות הלוקחות בחשבון אילוצים ספציפיים לתחום ושומרות על שלמות הנתונים.

השוואות דגמים: רוב מחקרי השוואת המודלים מתמקדים במערכי נתונים בנצ'מרק, שאולי אינם משקפים מורכבויות בעולם האמיתי. קיים פער מחקרי בהערכת מודלים על פני מערכי נתונים מגוונים, רועשים ובלתי מאוזנים כדי להבין את יכולות ההכללה האמיתיות שלהם.

חילוץ תכונות באמצעות מודלים של למידה עמוקה: בעוד שמודלים של למידה עמוקה יכולים לחלץ תכונות באופן אוטומטי, לעתים קרובות הם חסרי יכולת פרשנות. נדרשת עבודה נוספת על שיטות חילוץ תכונות הניתנות להסבר המספקות תובנות לגבי הייצוגים הנלמדים.

אסטרטגיות אופטימיזציה: אסטרטגיות אופטימיזציה רבות אינן ממנפות באופן מלא את הידע הספציפי לתחום, מה שמוביל לפתרונות לא אופטימליים. נדרש מחקר על שילוב היוריסטיקות מודעות לתחום במסגרות אופטימיזציה לשיפור הביצועים.

אתגרים בהגדלת נתונים: הגדלת נתונים עלולה להוביל למידע מיותר או מטעה, ולהשפיע לרעה על ביצועי המודל. התמודדות עם הפשרה בין גיוון הגדלה לריאליזם נתונים נותרה אתגר פתוח ביישומי למידה עמוקה.

ניתוח ביקורתי של העבודה הניסויית שנעשתה במחקר המוצע חושף חוזקות וחולשות בולטות. בצד החיובי, מודלים של למידת העברה הוכיחו את עצמם כיעילים ביותר בחילוץ תכונות מורכבות, מה שמאפשר להם להצטיין במשימות כמו זיהוי גידולי מוח. בנוסף, טכניקות אופטימיזציה מתקדמות, כולל האופטימיזציה הנפוצה של Adam ושיטות חדשות יותר, הוכיחו את יכולתן לשפר את שיעורי ההתכנסות ואת ביצועי המודל הכוללים.

עם זאת, מגבלות מסוימות נמשכות. הייתה חקירה מוגבלת של האינטראקציות בין אופטימיזציה למודלים, שיכולה לספק תובנות עמוקות יותר להשגת ביצועים מיטביים. יתר על כן, התמקדות לא מספקת בכוונון היפרפרמטרים זוהתה כחיסרון, מכיוון שהיא ממלאת תפקיד מכריע בהבטחת שחזור ועקביות ביישומים שונים.

מאמר זה מתחיל בעבודה בסיסית על חילוץ תכונות ולמידת העברה, מתקדם לתחומים מתקדמים כמו אופטימיזציה והגדלה, ומסתיים בזיהוי פערי מחקר מרכזיים. מספר פערים מרכזיים מודגשים בספרות הקיימת. נושא משמעותי אחד הוא השוואת ביצועים לא עקבית של מודלים של למידת העברה, כאשר הם אינם מוערכים באופן אחיד על פני אופטימיזציות שונות, כפי שצוין במחקרים 6,36. פער נוסף טמון בחקירה המוגבלת של כוונון היפרפרמטרים ותפקידו הקריטי בהשפעה על ביצועי המודל, כפי שזוהה במחקר14,37. בנוסף, חסרה הצדקה מספקת לאסטרטגיות ההגדלה ששימשו במחקרים שונים, במיוחד בכל הנוגע להשפעתן על חוסן המודל והכללתו, כפי שנצפה בעבודות15,23. פערים אלה מצביעים על הצורך בגישות סטנדרטיות וקפדניות יותר במחקר עתידי.

כדי להתמודד עם פערים אלה, מחקר זה בולט בהערכה המקיפה שלו של חמישה מודלים מאומנים מראש - VGG16, MobileNetV2, DenseNet121, InceptionV3 ו- ResNet50 - בשילוב עם שלושה אופטימיזציה (Adam, SGD, Adamax). על ידי טיפול בפערים בהשוואת ביצועים ובחינת אינטראקציות אופטימיזציה-מודל, הוא מציע ניתוח מעמיק של דינמיקת הביצועים. כוונון היפרפרמטרים קפדני באמצעות חיפוש רשת מחדד פרמטרים מרכזיים כגון שיעורי למידה, גדלי אצווה ושיעורי נשירה, מה שמוביל לביצועי מודל משופרים.

המחקר מציג גם אסטרטגיות הגדלה מותאמות אישית, כולל התאמות בהירות וניגודיות, כדי לשפר את הכללת המודל. מסגרת הערכה סטנדרטית המשתמשת במדדי מפתח מבטיחה השוואה הוגנת ועקבית בין מודלים. יש לציין כי MobileNetV2 מתגלה כמודל בעל הביצועים הטובים ביותר לזיהוי גידולי מוח, מספק תובנות מעשיות ומציב אמת מידה חדשה לשחזור ויעילות במחקר הדמיה רפואית.

המודלים שהוכשרו מראש שנכללו במחקר היו VGG16, MobileNetV2, DenseNet121, InceptionV3 ו-ResNet50, מכיוון שהם נבדקו מאוד והוכחו כיעילים במשימות כמו סיווג תמונות תוך יישום החוזקות הארכיטקטוניות הייחודיות שלהם לייצוג מגוון. VGG16 מספק מסגרת קלה אך רבת עוצמה לחילוץ תכונות היררכיות, בעוד ש-NetV2 הנייד קל משקל עם ארכיטקטורות המתאימות לסביבות מוגבלות במשאבים. DenseNet121 פועל לשיפור היעילות באמצעות שימוש חוזר בתכונות עם חיבור צפוף. הוא משתמש במודולי Inception הלוכדים תכונות בקנה מידה שונה באמצעות InceptionV3. Resnet50, יחד עם החיבורים הנותרים, מונע היעלמות שיפועים בצורה מושלמת. כל שלושת האופטימיזציה נבחרו ב-SGD כדי להשוות אותו לאופטימיזציה, אדם, בשל הכלאת המומנטום שלו יחד עם קצב למידה אדפטיבי, מה שהעניק לו התכנסות מהירה, ואדמקס שהיה חזק למדי, במיוחד עם שיפועים דלילים.

מחקר זה מביא תרומה ייחודית לתחום על ידי שילוב הערכה של ארכיטקטורות מרובות, ניתוח אופטימיזציה וכוונון היפרפרמטרים במסגרת מקיפה אחת, תוך שיפור משמעותי של בסיס הידע הקיים. המתודולוגיות השיטתיות והדיווח המפורט שלה מבטיחים יכולת שחזור, ומאפשרים לחוקרים אחרים לשכפל את הממצאים או להשתמש בהם כבסיס להתקדמות נוספת. יתרה מכך, המשמעות המעשית של עבודה זו ניכרת, שכן תוצאותיה יכולות להנחות ישירות את הפיתוח של מערכות הדמיה רפואיות עתידיות, ולהניע שיפורים הן ברמת הדיוק והן ביעילות עבור יישומים קליניים.

העבודה שנעשתה במחקר זה מתמקדת בפיתוח בסיס קוד יעיל וסטנדרטי המתאים למודלים בסיסיים שונים, הבטחת עקביות ביישום, קלות תחזוקה והקלה על השוואת מודלים יתר על כן, מוצגת גישה חדשה על ידי שילוב מודלים בסיסיים מאומנים מראש, כולל VGG16, MobileNetV2, DenseNet121, InceptionV3 ו-ResNet50, כדי למנף את הארכיטקטורות הייחודיות שלהם לזיהוי גידולי מוח. העבודה כוללת שיטות הגדלת תמונה, כולל שינויים בבהירות וניגודיות, כדי להגדיל את המגוון של מערך נתוני האימון ולשפר את הכללת המודל. מטרת עבודה זו היא לתכנן וליישם צינור הדרכה יעיל העושה שימוש במחוללי נתונים כדי לעבד מערכי נתונים ענקיים בצורה חלקה ולהכשיר מודלים ביעילות תוך שימור כוח המחשוב. ניתוח יסודי של העבודה המוצעת נעשה באמצעות שלושה אופטימיזציה שונים: Adam, Stochastic Gradient Descent (SGD) ו-Adamax המיושמים על חמישה מודלים בסיסיים נפרדים שהוכשרו מראש (VGG16, MobileNetV2, DenseNet121, InceptionV3 ו-ResNet50). לבסוף, הערכה מעמיקה של ביצועי המודל מתבצעת על ידי בחינת מדדי מפתח כגון זיכרון, דיוק, דיוק, ציון F1 ומטריצות בלבול כדי לרכוש הבנה מקיפה של התנהגות המודל.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

פרוטוקול

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

איור 7 ממחיש דיאגרמת בלוקים סכמטית המייצגת את המתודולוגיה הכוללת של הגישה המוצעת. בשיטה המוצעת, תמונות סריקת MRI של גידולי מוח מעובדות מראש באמצעות שתי טכניקות פופולריות - נורמליזציה וקנה מידה. כמה מודלים פופולריים של למידת העברה מאומנים מראש כמו VGG16, MobileNetV2, DenseNet121, ResNet50 ו-InceptionV3 משמשים בעבודה זו. לאחר האימון, המודלים נבדקים על מקרים היפותטיים, ונעשה ניתוח מקיף לבדיקת ביצועי המודלים על סמך מדדי ביצועים שונים כגון דיוק, זיכרון, דיוק וציון F1. הטכניקה המוצעת משתמשת בלמידה עמוקה כדי לשפר את יעילות סיווג גידולי המוח ואת הדיוק שלו, מה שיכול לשפר את תהליך האבחון הרפואי בעתיד.

1. רכישת מערכי נתונים

  1. רכוש את מערך הנתונים: הורד את מערך הנתונים של סריקת MRI של גידול המוח מ-Kaggle, המורכב מ-7023 תמונות המסווגות לארבע מחלקות: יותרת המוח, ללא גידול, מנינגיומה וגליומה.
  2. חלקו את מערך הנתונים: פצלו את מערך הנתונים למערך הדרכה (5,712 תמונות) ולערכת בדיקות (1,311 תמונות).
    הערה: ודא שהתפלגות המחלקות מאוזנת בין ערכות הדרכה ובדיקות להערכת מודל ללא משוא פנים. איור 8 ממחיש את ההתפלגות החזותית של תמונות בין הקטגוריות השונות בתוך מערך נתוני האימון. ניתן לראות כמה מערכי נתונים לדוגמה של תמונות MRI מארבע מחלקות שונות באיור 9.

2. עיבוד מקדים של נתונים

  1. שינוי תמונה:
    1. המר כל תמונת MRI לייצוג מספרי באמצעות ספריית ההדמיה של Python (PIL).
      1. ודא ש-PIL (כרית) ו-numpy מותקנים.
      2. פתח את סריקת ה-MRI באמצעות PIL.
      3. במידת הצורך, המירו את התמונה לגווני אפור כדי לפשט את העיבוד.
      4. המרה למערך NumPy - הפוך את התמונה לפורמט מספרי.
  2. הגדלת נתונים:
    1. התאמת בהירות: השתמש בפונקציה ImageEnhance.Brightness כדי לשנות באופן אקראי את בהירות התמונה בפקטור שנע בין 0.8 ל-1.2.
    2. התאמת ניגודיות: החל את הפונקציה ImageEnhance.Contrast כדי לשנות באופן אקראי את ניגודיות התמונה בטווח של 0.8 עד 1.2.
      הערה: טכניקות הגדלה אלו מיושמות כדי לדמות וריאציות בתנאי הדמיה בעולם האמיתי, ולשפר את חוסן המודל.
  3. נורמליזציה: המר את התמונות הרבודות למערכי NumPy באמצעות ספריית PIL כדי לטעון את התמונה ולהחיל הגדלה (למשל, היפוך, סיבוב). יתר על כן, הפוך את התמונה המוגברת לייצוג מספרי (img_array = np.array(img_aug). בהתאם למודל ה-ML, עצב מחדש או שטח את המערך (img_vector = img_array.flatten()). לבסוף, נרמל אותם על ידי חלוקת ערכי פיקסלים ב-255.0 כדי להבטיח שהם נמצאים בטווח [0, 1].
    הערה: שלב זה מבטיח קלט עקבי למודל, מה שמקל על אימון וביצועים יציבים.

3. למידת העברה לסיווג גידול

  1. בחירת מודל: בחר מודלים מאומנים מראש, כולל VGG16, MobileNetV2, DenseNet121, InceptionV3 ו-ResNet50 ללמידת העברה.
  2. חילוץ תכונות: השתמש במודלים מאומנים מראש כמחלצי תכונות על ידי הגדרת רוב השכבות שלהם כבלתי ניתנות לאימון. עיין בשורת הקוד שלהלן כדי להגדיר את השכבות כבלתי ניתנות לאימון. עבור שכבה ב-base_model.layers[:15]:
    layer.trainable = לא נכון
    הערה: שלב זה ממנף את הייצוגים ההיררכיים שנלמדו ממערכי נתונים גדולים ומגוונים להכללה טובה יותר על מערך הנתונים הרפואי היעד.
  3. כוונון עדין: בטל את הקפאת שלוש השכבות האחרונות של כל מודל מאומן מראש כדי להסתגל למשימה הספציפית של זיהוי גידול במוח באמצעות קטע הקוד שלהלן: עבור שכבה ב-base_model.layers[-3:]: layer.trainable = נכון
    הערה: כוונון עדין מאפשר למודל להתמקד בתכונות הרלוונטיות לזיהוי חריגות מוחיות.

4. מודלים של למידה עמוקה לסיווג גידולים

  1. מבנה מודל סטנדרטי:
    1. הוסף שכבת שיטוח לכל מודל כדי להפוך תכונות הירארכיות למערך חד-ממדי לאחר השיטוח, הוסף שכבות צפופות למשימות סיווג או רגרסיה.
    2. כלול שכבות נשירה (עם שיעורים של 0.3 ו-0.2) כדי להפחית התאמת יתר ולשפר את ההכללה.
  2. שכבות צפופות:
    1. הוסף שכבה צפופה עם 128 נוירונים באמצעות הפעלת יחידה ליניארית מתוקנת (ReLU).
    2. כלול שכבה צפופה סופית עם הפעלת softmax לסיווג רב-מחלקות של תמונות גידול מוח.
      הערה: מבנה אחיד זה בין הדגמים מבטיח הערכה והשוואה עקביות.

5. הדרכה ואופטימיזציה

  1. מפרטי קלט: תקנן את מידות הקלט של התמונות ל-(224, 224, 3) עבור כל הדגמים. הגדר את הפרמטר include_top ל- False, לא כולל שכבות סיווג מחוברות בצפיפות ושימוש במודלים אך ורק כמחלצי תכונות.
  2. אתחול משקל: השתמש במשקלי imagenet לאתחול בכל הדגמים כדי לקדם השוואות הוגנות ומשמעותיות.
  3. קומפילציה: הידור כל המודלים באמצעות פונקציית אובדן sparse_categorical_crossentropy ומדד sparse_categorical_accuracy .
    הערה: פונקציית ההפסד שנבחרה מתאימה לסיווג מרובה מחלקות כאשר התוויות הן מספרים שלמים.
  4. אסטרטגיית אופטימיזציה:
    1. גדלי אצווה: בדקו את גודל האצווה של 16, 32 ו-64 כדי לקבוע את הגודל האופטימלי למהירות האימון ולביצועים.
    2. קצבי למידה: השתמש בקצב למידה של 0.0001 עבור אופטימיזציית Adam ו-0.001 עבור אופטימיזציית SGD ו-Adamax.
    3. שיעורי נשירה: הערך את שיעורי הנשירה של 0.2, 0.3 ו-0.5 כדי למנוע התאמת יתר.
      הערה: פרמטרים אלה מכוונים לכל דגם כדי להבטיח ביצועים מיטביים.
  5. פרמטרי אימון: הגדר גודל אצווה אחיד של 20 והתאמן ל-50 תקופות בכל הדגמים.
    יישם עצירה מוקדמת על סמך ספירת תקופות כדי למנוע התאמת יתר ועומס חישובי מיותר.
    הערה: הליך סטנדרטי זה מאפשר השוואה הוגנת של ביצועי הדגם.

6. הערכת מודל

  1. מדדי ביצועים: הערך כל מודל באמצעות מדדים כגון דיוק, דיוק, זיכרון וציון F1.
  2. מטריצות בלבול: בניית מטריצות בלבול לניתוח מפורט של סיווגים שגויים בין מחלקות.
    הערה: הערכות אלה מספקות תובנות לגבי החוזקות והחולשות של כל מודל, ומנחות שיפורים נוספים.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

תוצאות

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

הערכת הביצועים של כל אחד מחמשת המודלים - VGG16, MobileNetV2, DenseNet121, InceptionV3 ו- ResNet50 - כוללת ניתוח מפורט עם עקומות דיוק, מטריצות בלבול ודוחות סיווג. מדדים והדמיות אלה הם כלים חשובים להערכת מיומנות המודלים בזיהוי גידולי מוח. התקדמות הלמידה של המודלים לאורך תקופות מיוצגת באופן דינמי על ידי עקומות הדיוק, השופכות אור גם על התאמת יתר והתכנסות אפשרית של המודלים.

מדד הדיוק מציע הערכה יסודית של סיווג המודל בכל המחלקות. Macr...

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

דיון

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

ביצועי הדגם

השימוש היעיל במודלים של למידה עמוקה (מאומן מראש) הוא הסיבה העיקרית לביצועים החזקים בזיהוי גידולי מוח. שילוב של ארכיטקטורות בולטות המשמשות להערכת הביצועים הן VGG16, MobileNetV2, DenseNet121, InceptionV3 ו-ResNet50. למודלים אלה יש יכולות חילוץ תכונות מרשימות מכיוון שהם עברו אימון מקדים באמצעות אוספים נרחבים של נתוני תמונה. המשקולות עברו אופטימיזציה בהתאם למערך הנתונים של גידולי המוח, מה שמאפשר זיהוי ...

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

גילויים

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

למחברים אין ניגודי אינטרסים להצהיר עליהם.

תודות

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

המחברים מבקשים להודות לתמיכתה של אוניברסיטת הנסיך סולטן בתשלום דמי עיבוד המאמרים (APC) של פרסום זה.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

חומרים

רשימת החומרים שנעשה בהם שימוש במאמר זה
שםחברהמספר קטלוגהערות
תשתית GPU ו-Jupyter NotebookKaggle (ספק פלטפורמה מקוונת)Tesla-P100מסופקת על ידי Kaggle' s שירות Jupyter Notebook, תוך שימוש במעבד הגרפי העדכני ביותר NVIDIA Tesla P100
Intel Core i5-8350U Inteli5-8350UIntel Core i5-8350U CPU @ 1.70GHz (1.90 GHz מקסימום) לעיבוד מקומי
זיכרון RAMסטנדרטי8GB_RAM8 GB לעיבוד נתונים
מערכת הפעלהמערכת הפעלה MicrosoftWindows_6464 סיביות מערכת הפעלה Windows לעיבוד מקומי
ספריות Pythonקהילת Pythonלא ישיםNumPy, scikit-learn, PIL, TensorFlow 2.12, Keras 2.12
תשתית ה-GPU של

מקורות

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

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

הדפסות חוזרות והרשאות

בקש הרשאה לשימוש חוזר בטקסט או באיורים של מאמר JoVE זה

בקש הרשאה

תגיות

Image AugmentationMobileNetV2VGG16DenseNet121InceptionV3ResNet50
הסרטון יגיע בקרוב

מאמרים קשורים