עיבוד מוקדם של תמונה ורגישות לאופטימיזציה: השלכות לרשתות עצביות קונבולוציוניות באבחון גידולי מוח

Manikanta Manohar Pattisapu; Suraj Aravind B.; V. Venkateswara Rao P.; V. N. Chandra Sekhar A.

doi:10.3791/69459

Research Article

עיבוד מוקדם של תמונה ורגישות לאופטימיזציה: השלכות לרשתות עצביות קונבולוציוניות באבחון גידולי מוח

DOI:

10.3791/69459

⸱

February 17th, 2026

Manikanta Manohar Pattisapu¹ , Suraj Aravind B.¹ , V. Venkateswara Rao P.² , V. N. Chandra Sekhar A.³

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

Summary

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

מחקר זה עושה שימוש במסגרת מבוקרת להערכת צינורות עיבוד מוקדם ואופטימיזציה בתוך ארכיטקטורה קבועה, במטרה לקבוע כיצד עיבוד מוקדם קלאסי משפיע על אופטימייזרים ורשתות עצביות קונבולוציונליות (CNNs) בסיווג גידולי מוח.

Abstract

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

סיווג גידולי מוח באמצעות הדמיית תהודה מגנטית (MRI) מציב אתגרים בשל הבדלים בגודל, בצורה ובמרקם הגידול. למרות ששיטות קדם-עיבוד תמונה מסורתיות משמשות בדרך כלל לשיפור איכות הקלט, השפעתן על התנהגות האופטימיזציה ועל ביצועי ה-CNN טרם נחקרה לעומק. מחקר זה בוחן את השפעת העיבוד המוקדם על התכנסות, הכללה ודיוק סיווג בין אופטימייזרים שונים. אנו משתמשים במאגר נתונים של Kaggle הזמין לציבור כדי ליצור שני צינורות עיבוד מוקדם: צינור בסיס שמזנה רק את גודל התמונות וצינור מסורתי שממיר תמונות לגווני אפור, מטשטש אותן ומיישם סינון מורפולוגי. לאחר מכן אנו בודקים כיצד צינורות אלו משפיעים על שלושה אופטימייזרים: אדם, התפשטות ממוצעת ריבועי שורש (RMSProp), וירידת גרדיאנט סטוכסטית (SGD). כדי להפריד משתני פרוטוקול, נעשה שימוש בארכיטקטורת CNN קבועה לאורך כל הדרך. הביצועים מוערכים באמצעות דיוק, דיוק, זיכרון וציון F1, מאומתים באמצעות אימות הדדי חמש. התוצאות מראות שעיבוד מוקדם בסיסי מניב בעקביות דיוק גבוה יותר והתכנסות יציבה יותר בכל האופטימיזטורים, כאשר RMSProp ו-SGD משיגים את הדיוק הממוצע הגבוה ביותר של 99.53% תחת אימות צולב חמש. הממצאים מתייחסים להשפעה שנחקרה פחות של עיבוד מוקדם על ביצועי האופטימיזציה, ומדגישים את הצורך באסטרטגיות אימון מודעות לעיבוד מקדים לשיפור החוסן והיכולת לפרשנות בניתוח תמונות רפואיות.

Introduction

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

סיווג גידולי מוח באמצעות הדמיית תהודה מגנטית (MRI) הוא משימה קריטית בנוירו-אונקולוגיה, שבה אבחון מוקדם ומדויק משפיע ישירות על תכנון הטיפול ותוצאות המטופל¹. CNNs הפכו לגישה הדומיננטית לאוטומציה של תהליך זה בזכות יכולתם ללמוד תכונות היררכיות ומרחביות וטקסטורליות ישירות מנתוני תמונה גולמיים². עם זאת, איכות נתוני הקלט נותרת גורם מרכזי לביצועי המודל. טכניקות קדם-עיבוד קלאסיות – כגון המרה לגווני אפור, טשטוש גאוסיאני, סף ופעולות מורפולוגיות – מיושמות באופן שגרתי להפחתת רעש ולהדגשת גבולות מבניים ^3,4,5. ....

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

Protocol

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

איור 1 מציג סקירה של תהליך העבודה בפרוטוקול. מחקר זה בוחן את השפעת עיבוד התמונות הקלאסי על ביצועי CNN ועל התנהגות האופטימיזציה בסיווג גידולי מוח באמצעות MRI. הפרוטוקול כולל הכנת מערכי נתונים, צינורות עיבוד מקדים דו-נתיבים, ארכיטקטורת מודל, קונפיגורציית אופטימייזר, הערכת ביצועים ואימות פרשנות. כל הניסויים בוצעו ב-Python 3.10.12 באמצעות Keras גרסה 2.13.1 עם backend של TensorFlow, OpenCV גרסה 4.8.0 ו-Matplotlib גרסה 3.8.0.

הכנת מערכי נתונים
מערך הנתונים BR35H לגידולי מוח MRI מ-Kaggle²¹, הכולל 3,000 תמונות המחולקות באופן שווה לקבוצות גידו....

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

Results

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

אופטימייזר אדם - עיבוד מוקדם בסיסי:
איור 2 ממחיש את ביצועי מודל סיווג גידולי מוח באמצעות אופטימייזר אדם עם עיבוד מקדים בסיסי. מטריצת הבלבול מראה הפרדה כמעט מושלמת בין מקרים גידוליים ללא-גידוליים, עם סיווג שגוי בלבד מתוך 8 מתוך 600 דגימות. דוח הסיווג המצורף מאשר זאת בדיוק, בזיכרון ובציוני F1 כולם ב-0.98 ומעלה בשתי הקטגוריות.

אופטימייזר אדם עם עיבוד מוקדם מסורתי:
איור 3<.......

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

Discussion

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

ההצלחה של סיווג גידולי מוח מבוססי CNN במחקר זה נבעה בעיקר משני רכיבי פרוטוקול: תכנון עיבוד מוקדם ובחירת אופטימייזר. עיבוד מוקדם בסיסי – שכלל אך ורק שינוי גודל תמונה – שמר על עוצמת פיקסלים טבעית ומבנה מרחבי, ואפשר למודל ללמוד תכונות קליניות רלוונטיות. לעומת זאת, שיטות קדם-עיבוד מסורתיות (כגון המרה בגווני אפור, טשטוש גאוסיאני, סף ופעולות מורפולוגיות) הציגו הפשטת תכונות, שלעיתים דיכאה רמזים עדינים של גידול, מה שהוביל לירידה בביצועים וביכולת הפרשנות.

הבחירה באופטי.......

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

Disclosures

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

למחברים אין מה לחשוף.

Acknowledgements

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

המחברים מביעים את הערכתם ותודתם הכנה לאוניברסיטת GITAM, לצוות ההנהגה, לדיקן ולראש המחלקה להנדסת מדעי המחשב בקמפוס ויסאקהפאטנם, על התמיכה והעידוד המתמשכים שלהם במחקר ופיתוח.

....

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

Materials

List of materials used in this article
Name	Company	Catalog Number	Comments
עטיפת API	קראס	2.13.1 (RRID:SCR_016345)	API ברמה גבוהה לארכיטקטורה והדרכה של CNN
כלי ייחוס	מימוש Grad-CAM	Custom (דרך Keras)	הסבר חזותי לתשומת הלב של CNN
מאגר נתוני MRI גידולי מוח BR35H	קגל	https://www.kaggle.com/ahmedhamada0/brain-tumor-detection	מקור לתמונות MRI מסומנות לסיווג
מאגר נתוני גידולי מוח	אולטרליטיקה	https://docs.ultralytics.com/datasets/detect/brain-tumor/
ספריית למידה עמוקה	TensorFlow	2.15.0 (RRID:SCR_018345)	ממשק למימוש מודל CNN
עיבוד תמונה	OpenCV	4.8.0 (RRID:SCR_015526)	עיבוד מוקדם: גווני אפור, טשטוש, סף, מורפולוגיה
שפת תכנות	פייתון	3.10.12 (RRID:SCR_008394)	סביבת ביצוע לכל הניסויים
ויזואליזציה	Matplotlib	3.8.0 (RRID:SCR_008624)	שרטוט עקומות אובדן ושכבות Grad-CAM

References

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

Devkota, B., et al. Image segmentation for early stage brain tumor detection using mathematical morphological reconstruction. Procedia Comput Sci. 125, 115-123 (2018).
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

עיבוד מוקדם של תמונה ורגישות לאופטימיזציה: השלכות לרשתות עצביות קונבולוציוניות באבחון גידולי מוח

In This Article

Summary

Abstract

Introduction

Protocol

Results

Discussion

Disclosures

Acknowledgements

Materials

References

Reprints and Permissions

Tags

Related Articles