DOI: https://doi.org/10.3389/fmed.2026.1738796
PMID: https://pubmed.ncbi.nlm.nih.gov/41695179
تاريخ النشر: 2026-01-30
المؤلف: Sultan Ahmad وآخرون
الموضوع الرئيسي: كشف وتصنيف أورام الدماغ
نظرة عامة
تقدم ورقة البحث بنية تعلم عميق ذات طبقتين مصممة للكشف التلقائي عن أورام الدماغ في صور الرنين المغناطيسي، مع التركيز على قابليتها العملية في الإعدادات السريرية. تدمج البنية نموذج تقسيم، DeepLabV3، لتحديد مناطق الأورام المرشحة، تليها شبكة عصبية تلافيفية (CNN) لتصنيف وجود الورم. باستخدام التعلم بالنقل والتعديل الدقيق مع النماذج المدربة مسبقًا، تحقق الإطار دقة تصنيف ملحوظة تبلغ 99.37% عند استخدام مُحسِّن ADAM. تظهر النتائج دقة عالية واسترجاع، مما يدل على تعميم قوي وأداء مستقر، مما يفيد بشكل خاص من خطوة التقسيم قبل التصنيف.
لا يقتصر النموذج المقترح على الأداء التنبؤي الممتاز فحسب، بل يلتزم أيضًا بمبادئ حوكمة البيانات، مما يضمن الموثوقية، وقابلية التدقيق، وقابلية التفسير، وهي أمور حاسمة لأنظمة دعم اتخاذ القرار السريري. تم تصميم الإطار ليكون قابلاً للتوسيع ضمن بيئات التصوير الطبي المعتمدة على السحابة وإنترنت الأشياء. تشمل اتجاهات البحث المستقبلية تطوير نظام تصنيف متعدد الفئات لأنواع الأورام، والتحقق عبر مجموعات بيانات متنوعة، وإدماج تحليلات الرنين المغناطيسي ثلاثية الأبعاد لتعزيز قدرات الكشف بشكل أكبر.
مقدمة
تستعرض مقدمة هذه الورقة البحثية الدور المعقد للدماغ، الذي يتكون من حوالي مليار خلية عصبية، في تنظيم الإدراك، والمزاج، والشخصية، مع تسليط الضوء على تأثير الأورام – النمو غير الطبيعي للخلايا التي يمكن أن تكون حميدة أو خبيثة – على وظيفة الدماغ. يمكن أن تنشأ الأورام داخل الدماغ أو تمتد من مناطق أخرى، مما يتطلب تقنيات تشخيص متقدمة مثل التصوير والخزعات لتقييم طبيعتها وانتشارها. تؤكد الورقة على المشهد المتطور لتشخيصات وعلاجات الأورام العصبية، وخاصة دمج تقنيات التعلم العميق والتعلم بالنقل لتعزيز الكشف عن السرطان وتصنيفه في التصوير الطبي.
يقدم البحث المقترح إطار عمل للتعلم العميق ذو طبقتين مصمم للكشف التلقائي عن أورام الدماغ من صور الرنين المغناطيسي. يجمع هذا الإطار بين وحدة تقسيم (DeepLabV3) لتحديد مواقع الأورام بدقة مع شبكة عصبية تلافيفية (CNN) للتصنيف إلى فئات ورم أو غير ورم. من خلال الاستفادة من التعلم بالنقل والتعديل الدقيق، يهدف النموذج إلى تحسين تمثيل الميزات وتحقيق دقة عالية في الكشف عن الأورام الدبقية، والأورام السحائية، وأورام الغدة النخامية. يركز البحث على الفحص المبكر لتوفير دعم قرار فعال من الناحية الحسابية وقابل للتفسير سريريًا، مما يعزز في النهاية أداء الكشف والتصنيف مقارنة بالطرق الحالية مع تحسين دقة التقسيم.
الطرق
تستعرض قسم المنهجية إجراءات التدريب والنتائج التجريبية لنموذج تعلم عميق مصمم للكشف عن أورام الدماغ من صور الرنين المغناطيسي. استخدم النموذج تقنيات زيادة البيانات، بما في ذلك التدوير العشوائي، والانعكاس، وتعديلات السطوع، لتعزيز تنوع مجموعة بيانات التدريب، التي تم تقسيمها إلى 80% للتدريب، و10% للتحقق، و10% للاختبار. تم استخدام دالة خسارة متعددة الفئات، جنبًا إلى جنب مع التوقف المبكر لتخفيف الإفراط في التكيف.
تظهر النتائج التجريبية، كما هو ملخص في الجدول 6، أن النماذج التقليدية مثل CNN وVGG حققت دقة تبلغ 94.01% وAUC قدره 0.95. ومع ذلك، تجاوزت النماذج الهجينة مثل SVM-CNN وInceptionV3 + V2 هذه النتائج، محققة دقة تزيد عن 95% وقيم AUC تبلغ 0.97. تفوق النموذج المقترح ذو الطبقتين على جميع البدائل، محققًا دقة تبلغ 99.31%، وAUC قدره 0.99، وحساسية تبلغ 0.98، ودقة تبلغ 0.99. تدعم فعالية النموذج في تمييز فئات الأورام أيضًا من خلال درجة AUC ROC تبلغ 97.6% ودرجة تقاطع على اتحاد عالية، مما يدل على قوته في تحديد مناطق الأورام بدقة. تكشف التحليلات المقارنة مع النماذج الحالية أن النموذج المقترح يتفوق بشكل كبير على الآخرين، خاصة في سياق تقسيم أورام الدماغ، كما هو موضح في الأشكال المرفقة.
النتائج
تؤكد نتائج الدراسة بشكل كمي التحديات المرتبطة بالكشف عن الحالات الإيجابية (المؤكدة وجود ورم) في ظل وجود عدم توازن في الفئات. يكشف تحليل قيم الاسترجاع/الحساسية أن الحالات ذات النسب المنخفضة من الحالات الإيجابية (الحالتان 2 و3) تظهر انخفاضًا بنسبة 10-12% في الحساسية، إلى جانب زيادة بمقدار الضعف في الانحراف المعياري، مما يدل على أن أداء الكشف يتدهور كلما أصبحت الفئة الأقل شيوعًا أقل انتشارًا أو عندما تكون الأورام أصغر وأقل وضوحًا. تدعم هذه الاتجاهات أيضًا أدنى قيم معامل تشابه دايس (DSC) المرتبطة بأدنى حساسية، مما يبرز التأثير الضار لعدم توازن الفئات على الكشف عن الحالات الإيجابية.
على وجه التحديد، فإن تقاطع على اتحاد (IoU) للحالة 2 أقل بحوالي 10% من تلك الخاصة بالحالة 1، مما يبرز ضعف تحديد مواقع الأورام في ظل ظروف عدم التوازن. تُظهر التقييمات الكمية أن الحالتين 2 و3 لديهما قيم حساسية منخفضة تبلغ 0.865 و0.877، على التوالي، إلى جانب مقاييس DSC وIoU أقل مقارنة بالحالتين 1 و4. تعكس الانحرافات المعيارية المتزايدة (حتى 0.025) عدم الاستقرار في التنبؤات للفئة الأقل شيوعًا. تؤكد هذه النتائج الملاحظات البصرية وتبرز ضرورة تنفيذ استراتيجيات تخفيف عدم التوازن، مثل خسارة الوزن للفئات، وزيادة العينات، وزيادة البيانات، لتعزيز أداء الكشف.
المناقشة
تسلط قسم المناقشة في ورقة البحث الضوء على دمج نماذج التعلم العميق المختلفة، وخاصة DeepLabV3 وInceptionV3 وCNN، لتصنيف وتقسيم أورام الدماغ. تشير مراجعة الأدبيات إلى أنه بينما حققت الدراسات السابقة درجات متفاوتة من الدقة – تتراوح من 79.8% إلى 94% – يهدف نموذج البنية ذو الطبقتين المقترح إلى تعزيز تحديد الأورام من خلال دمج تقنيات التقسيم واستخراج الميزات. يستخدم النموذج مجموعة بيانات BraTS-2015، التي تشمل 274 صورة رنين مغناطيسي، تم زيادتها إلى 765 صورة، مما يضمن تغطية شاملة لعلم الأمراض الدماغية. تتضمن عملية المعالجة المسبقة التطبيع، وإزالة الجمجمة، وزيادة البيانات لتحسين قوة النموذج ودقته.
تستخدم البنية المقترحة ذات الطبقتين DeepLabV3 لتقسيم الصور وInceptionV3 لاستخراج الميزات، تليها شبكة CNN للتصنيف. لقد أظهرت هذه الطريقة المنظمة تحسينات كبيرة في الدقة، حيث حققت دقة تصل إلى 99.31% في الكشف عن الأورام، كما تم التحقق منها من خلال اختبارات إحصائية تشير إلى قيمة p أقل من 0.01. تتناول المناقشة أيضًا التحديات المتعلقة بعدم توازن الفئات، خاصة في الكشف عن الحالات الإيجابية، وتقترح تحسينات مستقبلية مثل خسارة التركيز والتعلم الهجين الجماعي لتحسين الأداء على الفئات الأقل شيوعًا. بشكل عام، لا يتفوق النموذج المقترح على الطرق الحالية فحسب، بل يلتزم أيضًا بمبادئ حوكمة البيانات، مما يجعله مناسبًا للتطبيقات السريرية في الفحص المبكر للأورام. ستركز الأعمال المستقبلية على تصنيف الأورام متعددة الفئات والتحقق عبر مجموعات بيانات متنوعة.
القيود
ت stem القيود الحالية للدراسة بشكل أساسي من اعتمادها على مجموعة بيانات واحدة، BraTS، مما يحد من إمكانية تعميم النتائج على بيانات الرنين المغناطيسي متعددة المراكز التي قد يتم الحصول عليها باستخدام أنواع بروتوكولات وأجهزة مسح متنوعة. بالإضافة إلى ذلك، فإن التحدي المتمثل في إجراء استنتاجات النموذج بدون أجهزة GPU يشكل عائقًا كبيرًا أمام النشر العملي في البيئات التي تفتقر إلى موارد حسابية متقدمة.
ستركز اتجاهات البحث المستقبلية على عدة مجالات رئيسية: توسيع المنهجية المقترحة إلى تقسيم ثلاثي الأبعاد للاستفادة بشكل أكثر فعالية من السياق المكاني؛ تنفيذ التعلم الفيدرالي لتعزيز خصوصية المرضى مع تعزيز الجهود التعاونية بين المؤسسات؛ وتطوير أدوات الشرح، مثل Grad-CAM وSHAP، لمساعدة الأطباء في تفسير مخرجات النموذج وتحسين اتخاذ القرار السريري.
DOI: https://doi.org/10.3389/fmed.2026.1738796
PMID: https://pubmed.ncbi.nlm.nih.gov/41695179
Publication Date: 2026-01-30
Author(s): Sultan Ahmad et al.
Primary Topic: Brain Tumor Detection and Classification
Overview
The research paper presents a two-layer deep learning architecture designed for the automated detection of brain tumors in MRI scans, emphasizing its practical applicability in clinical settings. The architecture integrates a segmentation model, DeepLabV3, to identify candidate tumor regions, followed by a convolutional neural network (CNN) for classification of tumor presence. Utilizing transfer learning and fine-tuning with pre-trained models, the framework achieves a remarkable classification accuracy of 99.37% when employing the ADAM optimizer. The results demonstrate high precision and recall, indicating robust generalization and stable performance, particularly benefiting from the segmentation step prior to classification.
The proposed model not only excels in predictive performance but also adheres to data governance principles, ensuring reliability, auditability, and interpretability, which are crucial for clinical decision-support systems. The framework is designed to be extensible within cloud and IoT-enabled medical imaging environments. Future research directions include the development of a multi-class classification system for tumor subtypes, validation across diverse datasets, and the incorporation of 3D volumetric MRI analyses to enhance detection capabilities further.
Introduction
The introduction of this research paper outlines the intricate role of the brain, comprising approximately one billion neurons, in governing perception, mood, and personality, while highlighting the impact of tumors—abnormal cell growths that can be benign or malignant—on brain function. Tumors can originate within the brain or extend from other regions, necessitating advanced diagnostic techniques such as imaging and biopsies to assess their nature and spread. The paper emphasizes the evolving landscape of neuro-oncology diagnostics and therapeutics, particularly the integration of deep learning and transfer learning methodologies to enhance cancer detection and classification in medical imaging.
The proposed research introduces a bilayer deep learning framework designed to automatically detect brain tumors from MRI scans. This framework combines a segmentation module (DeepLabV3) for precise tumor localization with a convolutional neural network (CNN) for classification into tumor or non-tumor categories. By leveraging transfer learning and fine-tuning, the model aims to improve feature representation and achieve high accuracy in detecting gliomas, meningiomas, and pituitary tumors. The focus is on early-stage screening to provide computationally efficient and clinically interpretable decision support, ultimately enhancing detection and classification performance compared to existing methods while improving segmentation accuracy.
Methods
The methodology section outlines the training procedures and experimental results of a deep learning model designed for brain tumor detection from MRI images. The model employed data augmentation techniques, including random rotation, flipping, and brightness adjustments, to enhance the diversity of the training dataset, which was divided into 80% for training, 10% for validation, and 10% for testing. A multi-class cross-entropy loss function was utilized, along with early stopping to mitigate overfitting.
The experimental results, as summarized in Table 6, demonstrate that conventional models like CNN and VGG achieved accuracies of 94.01% and an AUC of 0.95. However, hybrid models such as SVM-CNN and InceptionV3 + V2 surpassed these results, achieving accuracies above 95% and AUC values of 0.97. The proposed bilayer deep learning model outperformed all alternatives, achieving an accuracy of 99.31%, an AUC of 0.99, sensitivity of 0.98, and precision of 0.99. The model’s efficacy in differentiating tumor classes is further supported by an AUC ROC score of 97.6% and a high Intersection over Union (IoU) score, indicating its robustness in accurately identifying tumor regions. Comparative analyses with existing models reveal that the proposed model significantly outperforms others, particularly in the context of brain tumor segmentation, as illustrated in the accompanying figures.
Results
The results of the study quantitatively validate the challenges associated with detecting affirmative (tumor-positive) cases in the presence of class imbalance. Analysis of Recall/Sensitivity values reveals that cases with lower proportions of positive instances (Cases 2 and 3) exhibit a 10-12% decrease in sensitivity, alongside a twofold increase in standard deviation, indicating that detection performance deteriorates as the minority class becomes less prevalent or when tumors are smaller and less distinct. This trend is further supported by the lowest Dice Similarity Coefficient (DSC) values corresponding to the lowest sensitivity, underscoring the detrimental impact of class imbalance on affirmative-case detection.
Specifically, the Intersection over Union (IoU) for Case 2 is approximately 10% lower than that of Case 1, highlighting poorer tumor localization under conditions of imbalance. The quantitative evaluations show that Cases 2 and 3 have reduced sensitivity values of 0.865 and 0.877, respectively, along with lower DSC and IoU metrics compared to Cases 1 and 4. The increased standard deviations (up to 0.025) further reflect instability in predictions for the minority class. These findings corroborate visual observations and emphasize the necessity for implementing imbalance-mitigation strategies, such as class-weighted loss, oversampling, and data augmentation, to enhance detection performance.
Discussion
The discussion section of the research paper highlights the integration of various deep learning models, specifically DeepLabV3, InceptionV3, and CNN, for the classification and segmentation of brain tumors. The literature review indicates that while previous studies have achieved varying degrees of accuracy—ranging from 79.8% to 94%—the proposed bilayer architecture model aims to enhance tumor identification by combining segmentation and feature extraction techniques. The model utilizes the BraTS-2015 dataset, which includes 274 MRI scans, augmented to 765 images, ensuring comprehensive coverage of brain pathologies. The preprocessing pipeline incorporates normalization, skull stripping, and data augmentation to improve model robustness and accuracy.
The proposed bilayer architecture employs DeepLabV3 for image segmentation and InceptionV3 for feature extraction, followed by a CNN for classification. This structured approach has demonstrated significant improvements in accuracy, achieving up to 99.31% in tumor detection, as validated by statistical tests indicating a p-value of less than 0.01. The discussion also addresses challenges related to class imbalance, particularly in detecting affirmative cases, and suggests future enhancements such as focal loss and hybrid ensemble learning to improve performance on minority classes. Overall, the proposed model not only outperforms existing methods but also adheres to data governance principles, making it suitable for clinical applications in early tumor screening. Future work will focus on multi-class tumor classification and validation across diverse datasets.
Limitations
The limitations of the current study primarily stem from its reliance on a single dataset, BraTS, which restricts the generalizability of the findings to multicenter MRI data that may be acquired using diverse scanner types and protocols. Additionally, the challenge of performing model inference without GPU hardware poses a significant barrier to practical deployment in environments lacking advanced computational resources.
Future research directions will focus on several key areas: extending the proposed methodology to 3D volumetric segmentation to leverage spatial context more effectively; implementing federated learning to enhance patient privacy while promoting collaborative efforts among institutions; and developing explainability tools, such as Grad-CAM and SHAP, to aid clinicians in interpreting model outputs and improving clinical decision-making.