DOI: https://doi.org/10.1038/s41598-025-34806-6
PMID: https://pubmed.ncbi.nlm.nih.gov/41593164
تاريخ النشر: 2026-01-27
المؤلف: Vatsala Anand وآخرون
الموضوع الرئيسي: كشف وتصنيف أورام الدماغ
نظرة عامة
تقدم هذه البحث نموذج الشبكات العصبية التلافيفية (CNN) المصمم للكشف الآلي وتصنيف أورام الدماغ، مع التركيز بشكل خاص على الورم الدبقي، ورم السحايا، وأورام الغدة النخامية، والحالات التي لا تحتوي على أورام. يتكون النموذج من أربعة كتل تلافيفية ويستخدم مُحسِّن آدم لتقليل خسارة الانتروبيا المتقاطعة، محققًا دقة إجمالية ملحوظة تبلغ 98.5%. تتجاوز هذه الأداء نماذج التعلم المنقول المعروفة، بما في ذلك ResNet50 (93.2%)، VGG19، وDenseNet121.
تكشف التحليلات التفصيلية حسب الفئة للنموذج المقترح عن معدلات دقة متفاوتة عبر أنواع الأورام: حققت الفئة 3 (لا يوجد ورم) أعلى دقة عند 0.98، تليها الفئة 2 (الغدة النخامية) عند 0.96، الفئة 1 (ورم السحايا) عند 0.89، والفئة 0 (ورم دبقي) عند 0.86. تؤكد هذه النتائج على إمكانية النموذج في تعزيز دقة التشخيص في البيئات السريرية، مما يدعم أطباء الأشعة في تحديد وتصنيف أورام الدماغ.
مقدمة
تؤكد مقدمة ورقة البحث على الدور الحاسم للتشخيص السريري في إدارة سرطان الدماغ، وهو أحد أكثر أشكال السرطان فتكًا. تنشأ أورام الدماغ، التي يمكن تصنيفها إلى أنواع أولية وثانوية، من التكاثر غير المنضبط للخلايا داخل الدماغ. تشكل أورام الدماغ الأولية، التي تكون في الغالب غير سرطانية، حوالي 70% من خلايا الأورام وتكون محلية داخل الدماغ، بينما تنشأ الأورام الثانوية من خلايا سرطانية تنتشر عبر مجرى الدم. يتراوح تصنيف أورام الدماغ، كما هو موضح من قبل تصنيف أورام الجهاز العصبي المركزي لمنظمة الصحة العالمية 2021، من الدرجة الأولى (الأقل عدوانية) إلى الدرجة الرابعة (الأكثر عدوانية)، مع انخفاض معدلات البقاء على قيد الحياة بشكل متناسب.
تعتبر التعرف الدقيق والمبكر على أورام الدماغ أمرًا حيويًا لاستراتيجيات العلاج الفعالة. يتم استخدام تقنيات تصوير مختلفة، بما في ذلك تصوير الانبعاث البوزيتروني (PET)، والأشعة السينية، والأشعة فوق الصوتية (US)، وخاصة التصوير بالرنين المغناطيسي (MRI)، لتحديد موقع الأورام. يتم تسليط الضوء على التصوير بالرنين المغناطيسي كأداة التشخيص الرئيسية نظرًا لقدرته على إنتاج صور عالية الدقة ومعلومات تفصيلية عن الأورام. ومع ذلك، فإن تعقيد تفسير هذه الصور يتطلب أطباء أشعة مهرة، حيث يمكن أن تكون حدود الورم غير واضحة، مما يعقد التشخيص اليدوي. وبالتالي، هناك اتجاه متزايد نحو أدوات التصنيف الآلي لأورام الدماغ، التي تهدف إلى تعزيز دقة التشخيص وكفاءة تحليل صور الرنين المغناطيسي.
طرق
في هذا القسم، يتم تفصيل المنهجية لتدريب شبكة عصبية تلافيفية (CNN) لتصنيف صور الرنين المغناطيسي إلى أربع فئات (ورم دبقي، ورم سحائي، ورم غدة نخامية، ولا يوجد ورم). يتنبأ النموذج بتسمية الفئة \( y_i \) باستخدام المعادلة \( y_i = \arg \max p_{i,c} \)، حيث يمثل \( p_{i,c} \) الاحتمالية المتوقعة للفئة \( c \). تقلل عملية التدريب من خسارة الانتروبيا المتقاطعة، المعبر عنها بـ \( \mathcal{L}(\theta) = -\frac{1}{N} \sum_{i=1}^{N} \sum_{c=0}^{3} y_{i,c} \log p_{i,c} \)، مع كون \( y_{i,c} \) هو التسمية الحقيقية المشفرة بنمط واحد. يتم استخدام مُحسِّن آدم للتحسين، مع الاستفادة من المعلمات \( \alpha \) (معدل التعلم)، \( \beta_1 \)، \( \beta_2 \)، و \( \epsilon \) لتحقيق الاستقرار العددي، مع تعريف التحديثات بواسطة المعادلات لتقديرات اللحظة الأولى والثانية.
تشمل التقييمات التجريبية دراسة إلغاء، تقيم أداء النموذج من خلال رسومات الدقة والخسارة، إلى جانب مصفوفة الارتباك لتقييم فعالية التصنيف عبر فئات الأورام. تشير النتائج إلى أن النموذج المقترح يتفوق على النماذج الأخرى، كما يتضح من منحنيات معدل التعلم ومقاييس مصفوفة الارتباك. ستركز التحليلات الإضافية على أداء الشبكة العصبية التلافيفية، بما في ذلك تقييم حسب الفئة لفهم قدراتها التصنيفية بشكل أفضل. يتم تلخيص تفاصيل المعلمات الفائقة المتعلقة بالموارد الحاسوبية في الجدول 6.
نتائج
يقدم قسم “النتائج” تصورًا شاملاً للنتائج المستخلصة من الدراسة. يتم توضيح النتائج الرئيسية من خلال تمثيلات رسومية متنوعة، والتي تسلط الضوء بفعالية على العلاقات والاتجاهات الملحوظة في البيانات. تعمل هذه التصورات على توضيح التفاعلات المعقدة وتوفير فهم واضح للأنماط الأساسية.
تشير النتائج إلى وجود ارتباطات كبيرة بين المتغيرات المدروسة، مع التركيز بشكل خاص على المقاييس الكمية التي تدعم الفرضيات. لا تعزز البيانات الرسومية التحليلات الإحصائية التي تم إجراؤها فحسب، بل تسهل أيضًا فهمًا أكثر حدسية للنتائج، مما يسمح بتفسير ومناقشة أسهل في الأقسام اللاحقة من الورقة. بشكل عام، تلعب التصورات دورًا حيويًا في نقل أهمية النتائج وتأثيراتها ضمن السياق الأوسع للبحث.
مناقشة
تؤكد قسم المناقشة في الورقة على قيود طرق الكشف الحالية عن سرطان الدماغ، ولا سيما قدراتها التنبؤية غير الكافية للتشخيص الدقيق. على الرغم من التحديات مثل محدودية توفر الصور ومشكلات تحديد موقع الورم، يدعو المؤلفون إلى تطوير نظام تشخيص مدعوم بالكمبيوتر (CAD) قوي يستفيد من تقنيات التعلم العميق. يُعتبر هذا النظام ضروريًا لتحسين دقة التشخيص ودعم قرارات العلاج لمرضى أورام الدماغ.
تسلط مراجعة الأدبيات الضوء على نماذج التعلم العميق المختلفة، بما في ذلك الشبكات العصبية التلافيفية (CNN) والشبكات العصبية الذاكرية الطويلة القصيرة (LSTMs)، التي حققت معدلات دقة ملحوظة في تصنيف أورام الدماغ من صور الرنين المغناطيسي. على سبيل المثال، أبلغت نماذج مثل ResNet50 وشبكة LSTM المتسلسلة عن دقتين تبلغان 92% و89.5%، على التوالي. يتفوق النموذج المقترح في هذه الدراسة، الذي يتميز بأربعة كتل تلافيفية، على هذه الطرق الحالية بدقة تبلغ 98.5%. تم تصميم هيكل النموذج لتحقيق توازن بين استخراج الميزات وكفاءة الحوسبة، مع استخدام تقنيات مثل الإسقاط وتطبيع الدفعات لتعزيز التعميم وتقليل الإفراط في التكيف. تؤكد النتائج على إمكانية النموذج المقترح في تحسين العمليات التشخيصية بشكل كبير في البيئات السريرية، مما يساعد أطباء الأشعة في اتخاذ قرارات مستنيرة.
DOI: https://doi.org/10.1038/s41598-025-34806-6
PMID: https://pubmed.ncbi.nlm.nih.gov/41593164
Publication Date: 2026-01-27
Author(s): Vatsala Anand et al.
Primary Topic: Brain Tumor Detection and Classification
Overview
This research presents a Convolutional Neural Networks (CNN) model designed for the automated detection and classification of brain tumors, specifically targeting glioma, meningioma, pituitary tumors, and cases with no tumors. The model comprises four convolutional blocks and employs the Adam optimizer to minimize cross-entropy loss, achieving a remarkable overall accuracy of 98.5%. This performance surpasses that of established transfer learning models, including ResNet50 (93.2%), VGG19, and DenseNet121.
A detailed category-wise analysis of the proposed CNN model reveals varying accuracy rates across the tumor types: Category 3 (No tumor) achieved the highest accuracy at 0.98, followed by Category 2 (Pituitary) at 0.96, Category 1 (Meningioma) at 0.89, and Category 0 (Glioma) at 0.86. These findings underscore the model’s potential to enhance diagnostic accuracy in clinical settings, thereby supporting radiologists in the identification and classification of brain tumors.
Introduction
The introduction of the research paper emphasizes the critical role of clinical diagnosis in managing brain cancer, one of the most lethal forms of cancer. Brain tumors, which can be classified into primary and secondary types, arise from the uncontrolled proliferation of cells within the brain. Primary brain tumors, primarily noncancerous, constitute about 70% of tumor cells and are localized within the brain, while secondary tumors originate from cancer cells that spread via the bloodstream. The classification of brain tumors, as outlined by the WHO 2021 CNS Tumor Classification, ranges from grade I (least aggressive) to grade IV (most aggressive), with survival rates decreasing correspondingly.
The accurate and early identification of brain tumors is crucial for effective treatment strategies. Various imaging techniques, including positron emission tomography (PET), radiography, ultrasonography (US), and particularly magnetic resonance imaging (MRI), are employed for tumor localization. MRI is highlighted as the primary diagnostic tool due to its ability to produce high-resolution images and detailed tumor information. However, the complexity of interpreting these images necessitates skilled radiologists, as tumor boundaries can be indistinct, complicating manual diagnosis. Consequently, there is a growing trend towards automated classification tools for brain tumors, which aim to enhance diagnostic accuracy and efficiency in MRI image analysis.
Methods
In this section, the methodology for training a convolutional neural network (CNN) to classify MRI images into four categories (Glioma, Meningioma, Pituitary, and No Tumor) is detailed. The model predicts the class label \( y_i \) using the equation \( y_i = \arg \max p_{i,c} \), where \( p_{i,c} \) represents the predicted probability for class \( c \). The training process minimizes categorical cross-entropy, expressed as \( \mathcal{L}(\theta) = -\frac{1}{N} \sum_{i=1}^{N} \sum_{c=0}^{3} y_{i,c} \log p_{i,c} \), with \( y_{i,c} \) being the one-hot encoded true label. The Adam optimizer is employed for optimization, utilizing parameters \( \alpha \) (learning rate), \( \beta_1 \), \( \beta_2 \), and \( \epsilon \) for numerical stability, with updates defined by the equations for first and second moment estimates.
The experimental evaluation includes an ablation study that assesses model performance through accuracy and loss plots, alongside a confusion matrix to evaluate classification effectiveness across the tumor categories. The results indicate that the proposed CNN model outperforms other models, as evidenced by learning rate curves and confusion matrix metrics. Further analysis will focus on the CNN’s performance, including a category-wise evaluation to understand its classification capabilities better. Hyperparameter details related to computational resources are summarized in Table 6.
Results
The “Results” section presents a comprehensive visualization of the findings from the study. Key outcomes are illustrated through various graphical representations, which effectively highlight the relationships and trends observed in the data. These visualizations serve to clarify complex interactions and provide a clear understanding of the underlying patterns.
The results indicate significant correlations between the variables studied, with specific emphasis on the quantitative measures that support the hypotheses. The graphical data not only reinforce the statistical analyses conducted but also facilitate a more intuitive grasp of the results, allowing for easier interpretation and discussion in subsequent sections of the paper. Overall, the visualizations play a crucial role in conveying the significance of the findings and their implications within the broader context of the research.
Discussion
The discussion section of the paper emphasizes the limitations of current brain cancer detection methods, particularly their inadequate predictive capabilities for precise diagnosis. Despite challenges such as limited image availability and tumor localization issues, the authors advocate for the development of a robust computer-aided diagnosis (CAD) system leveraging deep learning techniques. This system is deemed essential for improving diagnostic accuracy and supporting treatment decisions for brain tumor patients.
The literature review highlights various deep learning models, including CNNs and LSTMs, that have achieved notable accuracy rates in classifying brain tumors from MRI scans. For instance, models like ResNet50 and a cascaded LSTM network have reported accuracies of 92% and 89.5%, respectively. The proposed CNN model in this study, featuring four convolutional blocks, outperforms these existing methods with an accuracy of 98.5%. The model’s architecture is designed to balance feature extraction and computational efficiency, employing techniques such as dropout and batch normalization to enhance generalization and mitigate overfitting. The findings underscore the potential of the proposed model to significantly improve diagnostic processes in clinical settings, thereby aiding radiologists in making informed decisions.