DOI: https://doi.org/10.21015/vtse.v14i1.2335
تاريخ النشر: 2026-03-28
المؤلف: Atta Ullah وآخرون
الموضوع الرئيسي: كشف وتصنيف أورام الدماغ
نظرة عامة
تقدم هذه الورقة البحثية إطار عمل للتعلم العميق قابل للتفسير لاكتشاف وتصنيف أورام الدماغ باستخدام التصوير بالرنين المغناطيسي (MRI). يستخدم النظام شبكة عصبية تلافيفية مخصصة (CNN) تم تدريبها على مجموعتين من البيانات متاحة للجمهور: مجموعة بيانات Br35H لاكتشاف الأورام الثنائية ومجموعة بيانات التصوير بالرنين المغناطيسي لأورام الدماغ من أربع فئات التي تشمل الجليوما، والورم السحائي، وأورام الغدة النخامية، وعدم وجود ورم. لتعزيز قوة النموذج وقابليته للتعميم، يتم استخدام تقنيات مثل إزالة الضوضاء من الصور، وزيادة البيانات، والتطبيع. يدمج الإطار عمل خرائط تنشيط الفئة المدعومة بالتدرج (Grad-CAM) وشرح النماذج المحلية القابلة للتفسير (LIME) لمعالجة غموض نماذج التعلم العميق من خلال تصور المناطق المميزة للفئات، مما يحسن الشفافية السريرية.
يحقق الإطار المقترح معدلات دقة مثيرة للإعجاب تبلغ حوالي 94% على مجموعة بيانات Br35H و98% على مجموعة البيانات متعددة الفئات، مع دقة عالية، واسترجاع، ودرجات F1 عبر جميع فئات الأورام. تشير هذه النتائج إلى أن النموذج يلتقط بفعالية الميزات ذات الصلة وأنواع الأورام بينما يولد بيانات بصرية قابلة للتفسير، مما يسد الفجوة بين الدقة التشخيصية العالية وقابلية تفسير النموذج الموثوقة. تؤكد الدراسة على أهمية دمج تقنيات معالجة البيانات المتقدمة وتقنيات الذكاء الاصطناعي القابلة للتفسير لتحسين الأداء التشخيصي، مما يعزز في النهاية ثقة الأطباء في أنظمة التنبؤ الآلي.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على التعقيدات والتحديات المرتبطة بأورام الدماغ، مما يبرز الحاجة الملحة للتشخيصات التصويرية المبكرة والدقيقة لتحسين نتائج المرضى. تشير إلى أن التفسير اليدوي التقليدي لصور الرنين المغناطيسي يستغرق وقتًا طويلاً ويخضع لتباين بين المراقبين، مما يمكن أن يعيق اتخاذ القرارات السريرية الفعالة. تؤكد الورقة على العبء الكبير الذي تفرضه أورام الدماغ الأولية وأورام الجهاز العصبي المركزي على الصحة العالمية، مع معدلات بقاء متفاوتة اعتمادًا على نوع الورم ودرجته. لمعالجة هذه التحديات، يدعو المؤلفون إلى تطوير أنظمة تشخيص آلي تستفيد من تقنيات التعلم العميق (DL)، مثل الشبكات العصبية التلافيفية (CNNs) وطرق الذكاء الاصطناعي القابلة للتفسير (XAI) مثل Grad-CAM، التي تعزز شفافية النموذج وقابليته للتفسير.
على الرغم من التقدم الواعد في DL لتصنيف أورام الدماغ وتقسيمها، تحدد الورقة عدة عوائق أمام الاعتماد السريري الواسع، بما في ذلك مجموعات البيانات المتنوعة، والتحولات عبر المجالات، وعدم توازن الفئات. يجادل المؤلفون بأن دمج التعلم العميق مع أدوات التحقق الرسمية يمكن أن يعزز موثوقية وسلامة أنظمة التشخيص المعتمدة على الذكاء الاصطناعي. كما يبرزون أهمية معالجة القابلية للتفسير، والعدالة، واهتمامات خصوصية البيانات لتسهيل دمج الذكاء الاصطناعي في السيناريوهات الطبية ذات المخاطر العالية. تهدف البحث إلى اقتراح وتطوير إطار عمل قوي وقابل للتفسير للتعلم العميق لتصنيف أورام الدماغ تلقائيًا من صور الرنين المغناطيسي، باستخدام مجموعات بيانات متاحة للجمهور ودمج معالجة مسبقة شاملة واستراتيجيات XAI مزدوجة لضمان الدقة التشخيصية وقابلية التفسير السريرية.
الطرق
تقدم البحث نهجًا مبسطًا لاكتشاف أورام الدماغ باستخدام التعلم العميق والذكاء الاصطناعي القابل للتفسير، كما هو موضح في الشكل 1. تشمل المنهجية عدة مراحل: جمع البيانات، المعالجة المسبقة، زيادة البيانات، وتصميم وتحليل قابلية تفسير النماذج التصنيفية. يتم استخدام مجموعتين من بيانات التصوير بالرنين المغناطيسي العامة من كاجل: مجموعة بيانات Br35H للتصنيف الثنائي (ورم مقابل عدم ورم) ومجموعة بيانات التصوير بالرنين المغناطيسي لأورام الدماغ للتصنيف من أربع فئات (جليوما، ورم سحائي، غدة نخامية، عدم وجود ورم). تشمل خطوات المعالجة المسبقة تغيير حجم الصور، وتحويل تنسيقات الألوان، وإزالة الضوضاء، وتطبيع الشدة لتقليل التباين. يتم تطبيق تقنيات زيادة البيانات مثل التدوير، والانقلاب، والترجمة، والتكبير لتعزيز تنوع مجموعة البيانات وتعميم النموذج.
تم تطوير شبكة عصبية تلافيفية مخصصة (CNN) كالمصنف الرئيسي، تم تدريبها من الصفر على الصور المعالجة مسبقًا. تتميز بنية CNN بعدة طبقات تلافيفية وطبقات تجميع قصوى، تليها طبقات متصلة بالكامل مع تطبيع دفعي وإسقاط لاستخراج الميزات ذات الصلة. يتم تحسين النموذج باستخدام مُحسِّن آدم بمعدل تعلم أولي قدره $3 \times 10^{-4}$، ويتم تنفيذ تقنيات تنظيم مثل التوقف المبكر وتقليل معدل التعلم التكيفي لمنع الإفراط في التكيف. بالإضافة إلى ذلك، يتم ضبط بنى InceptionV3 وResNet50 كنماذج أساسية. لتعزيز القابلية للتفسير، يتم استخدام تقنيات الذكاء الاصطناعي القابلة للتفسير مثل خرائط تنشيط الفئة المدعومة بالتدرج (Grad-CAM) وشرح النماذج المحلية القابلة للتفسير (LIME)، مما يوفر تصورات تساعد أطباء الأشعة على فهم توقعات CNN وتحسين اتخاذ القرارات السريرية في تصنيف أورام الدماغ.
النتائج
في هذه الدراسة، قمنا بتطوير إطار عمل شامل وقابل للتفسير للتعلم العميق لتصنيف أورام الدماغ من صور الرنين المغناطيسي. تدمج منهجيتنا معالجة البيانات المنهجية، وبنية شبكة عصبية تلافيفية مخصصة (CNN)، ومعايير التعلم الانتقالي، وتقنيات الذكاء الاصطناعي القابلة للتفسير، مما يؤدي إلى توقعات دقيقة على مجموعتين من البيانات المتاحة للجمهور. أجرينا تجارب على مجموعة بيانات Br35H الثنائية ومجموعة بيانات التصوير بالرنين المغناطيسي لأورام الدماغ من أربع فئات، باستخدام خطوات المعالجة المسبقة مثل تغيير الحجم، والتطبيع، وزيادة البيانات لتقييم أداء الاكتشاف وتصنيف الأنواع الفرعية.
تشير النتائج إلى أن CNN المقترحة تتفوق بشكل كبير على البنى الأساسية على مجموعة بيانات Br35H، حيث تحقق دقة تبلغ 94.17%، مع دقة واسترجاع ودرجات F1 متقاربة عند 94.38%، 94.17%، و94.16%، على التوالي. بالنسبة لمهمة التصنيف من أربع فئات، حققت CNN لدينا دقة مثيرة للإعجاب تبلغ 98.32%، مصحوبة بدقة واسترجاع ودرجات F1 عالية مماثلة. علاوة على ذلك، توضح تصورات Grad-CAM وLIME أن النموذج يركز على مناطق الأورام ذات الصلة سريريًا، مما يعزز الشفافية والموثوقية لإطار عملنا للتطبيقات السريرية. بشكل عام، تحقق CNN المقترحة باستمرار درجات F1 تتراوح بين 97% و99% عبر جميع فئات الأورام، بما في ذلك الجليوما، والورم السحائي، والغدة النخامية، وعدم وجود ورم، مما يؤكد قوتها في كل من الإعدادات الثنائية ومتعددة الفئات.
المناقشة
تؤكد قسم المناقشة في الورقة على الدور الحاسم للتصوير بالرنين المغناطيسي (MRI) في اكتشاف وتوصيف أورام الدماغ، مع تسليط الضوء على مزاياه مقارنةً بطرق التصوير الأخرى مثل التصوير المقطعي المحوسب (CT) والتصوير المقطعي بالإصدار البوزيتروني (PET). بينما يوفر التصوير بالرنين المغناطيسي تباينًا ممتازًا للأنسجة الرخوة وغير جراحي، فإن التفسير اليدوي لصور الرنين المغناطيسي عرضة للتباين وعدم الكفاءة، مما يستدعي تطوير أنظمة تشخيص مدعومة بالكمبيوتر (CAD) تستفيد من تقنيات التعلم الآلي (ML) والتعلم العميق (DL). لقد أظهرت هذه الأنظمة وعدًا كبيرًا في تعزيز الدقة التشخيصية، خاصة من خلال استخدام الشبكات العصبية التلافيفية (CNNs)، التي تتفوق على المصنفات التقليدية من خلال تعلم الميزات المكانية والنسيجية للأورام بشكل فعال.
تناقش القسم أيضًا التحديات المرتبطة باكتشاف أورام الدماغ، بما في ذلك تباين الأورام والتداخل بين الأنسجة السليمة والمرضية، مما يعقد استخراج الميزات والتقسيم. لمعالجة هذه القضايا، يدعو المؤلفون إلى تقنيات معالجة مسبقة متطورة ودمج بيانات متعددة الوسائط لتحسين أداء النموذج. بالإضافة إلى ذلك، يتم التأكيد على أهمية الذكاء الاصطناعي القابل للتفسير (XAI)، وخاصة الطرق مثل خرائط تنشيط الفئة المدعومة بالتدرج (Grad-CAM) وشرح النماذج المحلية القابلة للتفسير (LIME)، التي تعزز قابلية تفسير نماذج التعلم العميق. لا تحسن هذه التقنيات فقط ثقة الأطباء في التشخيصات المدفوعة بالذكاء الاصطناعي، ولكنها تسهل أيضًا الامتثال للمعايير التنظيمية، مما يساهم في النهاية في تقدم الطب الدقيق في علم الأورام العصبية.
DOI: https://doi.org/10.21015/vtse.v14i1.2335
Publication Date: 2026-03-28
Author(s): Atta Ullah et al.
Primary Topic: Brain Tumor Detection and Classification
Overview
This research paper presents an interpretable deep learning framework for the detection and classification of brain tumors using Magnetic Resonance Imaging (MRI). The system employs a customized Convolutional Neural Network (CNN) trained on two publicly available datasets: the Br35H dataset for binary tumor detection and a four-class brain tumor MRI dataset that includes glioma, meningioma, pituitary tumors, and no tumor. To enhance model robustness and generalizability, techniques such as image denoising, data augmentation, and normalization are utilized. The integration of Gradient-weighted Class Activation Mapping (Grad-CAM) and Local Interpretable Model-agnostic Explanations (LIME) addresses the opacity of deep learning models by visualizing class-discriminating areas, thereby improving clinical transparency.
The proposed framework achieves impressive accuracy rates of approximately 94% on the Br35H dataset and 98% on the multi-class dataset, with high precision, recall, and F1-scores across all tumor classes. These results indicate that the model effectively captures relevant features and tumor types while generating interpretable visual data, bridging the gap between high diagnostic accuracy and reliable model explainability. The study emphasizes the importance of integrating advanced data preprocessing and explainable AI techniques to optimize diagnostic performance, ultimately fostering clinician trust in automated prediction systems.
Introduction
The introduction of this research paper highlights the complexities and challenges associated with brain tumors, emphasizing the critical need for early and accurate imaging diagnoses to improve patient outcomes. It notes that traditional manual interpretation of MRI scans is time-consuming and subject to interobserver variability, which can hinder effective clinical decision-making. The paper underscores the significant burden that primary brain and central nervous system tumors impose on global health, with varying survival rates depending on tumor type and grade. To address these challenges, the authors advocate for the development of automated diagnostic systems leveraging deep learning (DL) techniques, such as Convolutional Neural Networks (CNNs) and explainable AI (XAI) methods like Grad-CAM, which enhance model transparency and interpretability.
Despite the promising advancements in DL for brain tumor classification and segmentation, the paper identifies several barriers to widespread clinical adoption, including diverse datasets, cross-domain shifts, and class imbalances. The authors argue that combining deep learning with formal verification tools could enhance the reliability and safety of AI-based diagnostic systems. They also highlight the importance of addressing interpretability, fairness, and data privacy concerns to facilitate the integration of AI in high-stakes medical scenarios. The research aims to propose and develop a robust, explainable deep learning framework for automated brain tumor classification from MRI images, utilizing publicly available datasets and incorporating extensive preprocessing and dual XAI strategies to ensure diagnostic accuracy and clinical interpretability.
Methods
The research presents a streamlined approach for brain tumor detection utilizing deep learning and explainable AI, as illustrated in Figure 1. The methodology encompasses several stages: Data Collection, Preprocessing, Data Augmentation, and the Design and Interpretability Analysis of Classificative Models. Two public MRI datasets from Kaggle are employed: the Br35H dataset for binary classification (tumor vs. non-tumor) and the Brain Tumor MRI dataset for four-class classification (glioma, meningioma, pituitary, no tumor). The preprocessing steps include resizing images, converting color formats, denoising, and intensity normalization to reduce variability. Data augmentation techniques such as rotations, flips, translations, and zooming are applied to enhance dataset diversity and model generalization.
A custom Convolutional Neural Network (CNN) is developed as the primary classifier, trained from scratch on the preprocessed images. The CNN architecture features multiple convolutional and max-pooling layers, followed by fully connected layers with batch normalization and dropout to extract relevant features. Model optimization is performed using the Adam optimizer with an initial learning rate of $3 \times 10^{-4}$, and regularization techniques like early stopping and adaptive learning rate reduction are implemented to prevent overfitting. Additionally, InceptionV3 and ResNet50 architectures are fine-tuned as baseline models. To enhance interpretability, explainable AI techniques such as Gradient-weighted Class Activation Mapping (Grad-CAM) and Local Interpretable Model-agnostic Explanations (LIME) are employed, providing visualizations that help radiologists understand the CNN’s predictions and improve clinical decision-making in brain tumor classification.
Results
In this study, we developed a comprehensive, explainable deep learning framework for classifying brain tumors from MRI scans. Our methodology integrates systematic data preprocessing, a custom convolutional neural network (CNN) architecture, transfer learning baselines, and interpretable AI techniques, yielding accurate predictions on two publicly available datasets. We conducted experiments on the Br35H binary dataset and a four-class Brain Tumor MRI dataset, employing preprocessing steps such as resizing, normalization, and augmentation to evaluate detection and subtype classification performance.
The results indicate that our proposed CNN significantly outperforms baseline architectures on the Br35H dataset, achieving an accuracy of 94.17%, with precision, recall, and F1-scores closely aligned at 94.38%, 94.17%, and 94.16%, respectively. For the four-class classification task, our CNN attained an impressive accuracy of 98.32%, accompanied by similarly high precision, recall, and F1-scores. Furthermore, Grad-CAM and LIME visualizations demonstrate that the model focuses on clinically relevant tumor regions, enhancing the transparency and reliability of our framework for clinical applications. Overall, the proposed CNN consistently achieves F1-scores between 97% and 99% across all tumor classes, including glioma, meningioma, pituitary, and no-tumor, confirming its robustness in both binary and multi-class settings.
Discussion
The discussion section of the paper emphasizes the critical role of Magnetic Resonance Imaging (MRI) in the detection and characterization of brain tumors, highlighting its advantages over other imaging modalities such as Computed Tomography (CT) and Positron Emission Tomography (PET). While MRI provides superior soft tissue contrast and is non-invasive, the manual interpretation of MRI images is prone to variability and inefficiencies, necessitating the development of computer-aided diagnosis (CAD) systems leveraging Machine Learning (ML) and Deep Learning (DL) techniques. These systems have shown significant promise in enhancing diagnostic accuracy, particularly through the use of Convolutional Neural Networks (CNNs), which outperform traditional classifiers by effectively learning spatial and texture features of tumors.
The section further discusses the challenges associated with brain tumor detection, including the heterogeneity of tumors and the overlap between healthy and pathological tissues, which complicate feature extraction and segmentation. To address these issues, the authors advocate for sophisticated preprocessing techniques and the integration of multimodal data to improve model performance. Additionally, the importance of Explainable Artificial Intelligence (XAI) is underscored, particularly methods like Gradient-weighted Class Activation Mapping (Grad-CAM) and Local Interpretable Model-agnostic Explanations (LIME), which enhance the interpretability of deep learning models. These techniques not only improve clinician trust in AI-driven diagnostics but also facilitate compliance with regulatory standards, ultimately contributing to the advancement of precision medicine in neuro-oncology.