DOI: https://doi.org/10.15276/hait.09.2026.08
تاريخ النشر: 2026-02-24
المؤلف: Dmytro I. Uhryn وآخرون
الموضوع الرئيسي: كشف وتصنيف أورام الدماغ
نظرة عامة
تقوم هذه الدراسة بتقييم منهجي لفعالية ثلاث هياكل تعلم عميق—ResNet50 وDenseNet121 وEfficientNet-B0—لتصنيف أورام الدماغ بشكل آلي من بيانات التصوير بالرنين المغناطيسي (MRI). تؤكد الأبحاث على أهمية معالجة البيانات، وتوازن الفئات، وتدريب النموذج، وتقييم الأداء، وتحليل القابلية للتفسير. برزت ResNet50 كنموذج الأكثر موثوقية، حيث حققت دقة تتراوح بين 90-91%، وF1-score وAUC-ROC بقيمة 0.9863، وأظهرت متانة ضد بيانات MRI المزعجة. أكدت تصورات Grad-CAM أن ResNet50 ركزت بفعالية على مناطق الأورام ذات الصلة، مما عزز قابليتها للتفسير للاستخدامات السريرية.
بينما كانت EfficientNet-B0 أقل دقة قليلاً، قدمت استرجاعاً متوازناً عبر جميع فئات الأورام وكانت تتطلب موارد حسابية أقل بكثير، مما يجعلها مناسبة للنشر في بيئات محدودة الموارد. في المقابل، أدت DenseNet121 بشكل جيد في تصنيف أورام الغدة النخامية والحالات الصحية لكنها واجهت صعوبة في تصنيف الأورام الدبقية والأورام السحائية، حيث أظهرت حساسية أعلى للضوضاء وتصويرات أقل معلوماتية. تؤكد النتائج على إمكانية دمج نماذج التعلم العميق في أنظمة دعم القرار الطبي الذكية، مع آثار على التطبيقات السريرية والأغراض التعليمية والبحث المستقبلي في تحليل الصور الطبية. تدعو الدراسة إلى استكشاف المزيد من مجموعات البيانات متعددة المراكز وبيانات التصوير متعددة الوسائط لتعزيز تعميم النموذج وتطوير هياكل خفيفة الوزن قابلة للتكيف للاستخدام السريري في الوقت الحقيقي.
مقدمة
تسلط مقدمة الورقة الضوء على التحدي المستمر في تشخيص أورام الدماغ، والذي يؤثر بشكل كبير على فعالية العلاج. وفقًا لـ GLOBOCAN 2022، هناك حوالي 3-4 حالات جديدة من أورام الجهاز العصبي المركزي (CNS) لكل 100,000 نسمة سنويًا، مع ملاحظة اتجاهات مماثلة في الولايات المتحدة. تؤكد أحدث تصنيفات منظمة الصحة العالمية على أهمية التشخيصات الجزيئية، مما يستلزم تحسين الدقة في التقييمات الشعاعية الأولية، التي تُجرى بشكل أساسي من خلال التصوير بالرنين المغناطيسي (MRI). ومع ذلك، فإن تفسير بيانات MRI معقد ويعتمد بشكل كبير على خبرة الأطباء.
تظهر التطورات الأخيرة في رؤية الكمبيوتر والتعلم العميق، وخاصة الشبكات العصبية التلافيفية (CNNs)، وعدًا في تحسين دقة تصنيف أورام الدماغ من صور MRI. على الرغم من إمكانياتها، تؤكد الأدبيات على الحاجة إلى التحقق الخارجي وتوحيد هذه الخوارزميات قبل التنفيذ السريري. تعتبر تحدي تقسيم أورام الدماغ الدولي (BraTS) مصدرًا حيويًا لتطوير الخوارزميات والمقارنة، حيث تقدم مجموعات بيانات MRI مفتوحة كبيرة ومعايير تقييم شفافة. تهدف هذه الورقة إلى إجراء تقييم مقارن لنماذج التعلم العميق الحديثة—تحديداً DenseNet121 وResNet50 وEfficientNet-B0—لتصنيف أورام الدماغ متعددة الفئات، إلى جانب تطوير تطبيق ويب لتسهيل التكامل العملي للنتائج. النتيجة المتوقعة هي أداة تعزز دقة التشخيص، وتخفف من الأخطاء البشرية، وتدعم التطبيقات السريرية والتعليمية والبحثية.
الطرق
في هذه الدراسة، تم تقسيم مجموعة البيانات إلى مجموعات تدريب، والتحقق، والاختبار بنسبة 70% للتدريب، و15% للتحقق، و15% للاختبار. ضمنت هذه التقسيمات الطبقية الحفاظ على نسب الفئات الأصلية عبر جميع المجموعات، مما منع تسرب البيانات وسمح بتقييم دقيق لأداء النموذج. كانت مجموعة التدريب تتكون من 70% من الصور من جميع الفئات، بينما احتوت مجموعتا التحقق والاختبار كل منهما على 15%.
تم توضيح المنهجية لإعداد بيانات أورام الدماغ من صور MRI، على الرغم من عدم تقديم تفاصيل محددة حول عملية الإعداد في هذا القسم. تعتبر هذه الطريقة المنظمة لتقسيم مجموعة البيانات ضرورية لتطوير نماذج تعلم آلي قوية في تطبيقات التصوير الطبي.
النتائج
تشير نتائج البحث إلى أن اختيار خوارزميات التعلم الآلي لتصنيف صور MRI كان مبنيًا استراتيجيًا على خصائص المهمة ومتطلبات جودة النموذج. تم استخدام التعلم الانتقالي، حيث تم تعديل النماذج المدربة مسبقًا على مجموعة بيانات ImageNet لتعزيز الدقة وتقليل التكاليف الحسابية، وهو ما كان مفيدًا بشكل خاص نظرًا لوجود عينات تدريب محدودة متاحة لتصنيف أورام الدماغ. تم تقييم ثلاث هياكل: ResNet50 وDenseNet121 وEfficientNet-B0، حيث أظهرت كل منها فعالية في التشخيص الطبي بسبب دقتها ومتانتها. تم تعريف مقاييس التقييم مثل الدقة، وF1-Score، والاسترجاع، والخصوصية، وAUC-ROC لتقييم أداء التصنيف، مع التأكيد على الاسترجاع لتقليل حالات الأورام المفقودة.
تم تدريب النماذج على مدى عدة عصور، مع تضمين التحقق لتقييم الجودة واستخدام التوقف المبكر لتخفيف الإفراط في التكيف. حقق نموذج DenseNet121 دقة تحقق تبلغ حوالي 86% مع ديناميات تدريب مستقرة، بينما وصلت ResNet50 إلى دقة تزيد عن 91%، مما يدل على تعميم فعال. تم تفعيل التوقف المبكر لـ EfficientNet-B0، المعروف بمتطلباته المتوازنة من الموارد، بعد 89 عصرًا بسبب عدم وجود تحسين في الأداء. تم تقديم تحليل مقارن لتعقيد النموذج ومتطلبات التدريب، مع تسليط الضوء على التبادلات بين متطلبات الموارد الحسابية وأداء النموذج، مما يوجه الاختيار بناءً على الموارد المتاحة واحتياجات المهمة المحددة.
المناقشة
تسلط المناقشة الضوء على التقدم الكبير في تطبيق الشبكات العصبية التلافيفية (CNNs) لتصنيف أورام الدماغ باستخدام صور MRI. تشير الدراسات الحديثة إلى أن الهياكل مثل ResNet وDenseNet وEfficientNet تحقق دقة تصنيف عالية (تتراوح من 94% إلى أكثر من 96%) مع الحفاظ على الكفاءة الحسابية. تؤكد المراجعة المنهجية التي أجراها كازيروني وآخرون (2021) والدراسات اللاحقة على أهمية معالجة البيانات وتقنيات التعزيز في تحسين أداء النموذج. ومع ذلك، لا تزال التحديات قائمة، بما في ذلك مجموعات البيانات المحدودة المعلّمة، ومتطلبات الأجهزة العالية، وضرورة وجود بروتوكولات تقييم موحدة، مما يعيق النشر السريري لهذه النماذج.
كما تؤكد الأدبيات على أهمية مجموعات البيانات الكبيرة المفتوحة، مثل تلك من تحدي تقسيم أورام الدماغ (BraTS)، في تحسين موثوقية النموذج وقابليته للتكرار. على الرغم من النتائج الواعدة، تحدد المراجعة مجالات حاسمة للبحث المستقبلي، بما في ذلك تعزيز تعميم النموذج، واستخدام مجموعات بيانات متعددة المراكز، ودمج هذه النماذج في تطبيقات سهلة الاستخدام. تشير النتائج إلى أنه بينما تظهر نماذج التعلم العميق، وخاصة CNNs، إمكانيات كبيرة لأتمتة تصنيف أورام الدماغ، هناك حاجة إلى مزيد من الجهود لمعالجة القيود الحالية وضمان تنفيذها الفعال في الممارسة السريرية.
DOI: https://doi.org/10.15276/hait.09.2026.08
Publication Date: 2026-02-24
Author(s): Dmytro I. Uhryn et al.
Primary Topic: Brain Tumor Detection and Classification
Overview
This study systematically evaluates the effectiveness of three deep learning architectures—ResNet50, DenseNet121, and EfficientNet-B0—for automated brain tumor classification from magnetic resonance imaging (MRI) data. The research emphasizes the importance of data preprocessing, class balancing, model training, performance evaluation, and interpretability analysis. ResNet50 emerged as the most reliable model, achieving an accuracy of 90-91%, an F1-score and AUC-ROC of 0.9863, and demonstrating robustness against noisy MRI data. Grad-CAM visualizations confirmed that ResNet50 effectively focused on relevant tumor regions, enhancing its interpretability for clinical applications.
EfficientNet-B0, while slightly less accurate, provided balanced recall across all tumor classes and required significantly lower computational resources, making it suitable for deployment in resource-constrained environments. In contrast, DenseNet121 performed well in classifying pituitary tumors and healthy cases but struggled with glioma and meningioma classifications, exhibiting higher sensitivity to noise and less informative visualizations. The findings underscore the potential of deep learning models for integration into intelligent medical decision support systems, with implications for clinical applications, educational purposes, and future research in medical image analysis. The study advocates for further exploration of multi-center datasets and multimodal imaging data to enhance model generalization and develop adaptive lightweight architectures for real-time clinical use.
Introduction
The introduction of the paper highlights the persistent challenge of diagnosing brain tumors, which significantly impacts treatment efficacy. According to GLOBOCAN 2022, there are approximately 3-4 new cases of central nervous system (CNS) tumors per 100,000 population annually, with similar trends observed in the United States. The World Health Organization’s latest classification underscores the importance of molecular diagnostics, necessitating enhanced accuracy in initial radiological assessments, primarily conducted through magnetic resonance imaging (MRI). However, the interpretation of MRI data is complex and heavily reliant on physician expertise.
Recent advancements in computer vision and deep learning, particularly convolutional neural networks (CNNs), show promise in improving brain tumor classification accuracy from MRI images. Despite their potential, the literature stresses the need for external validation and standardization of these algorithms before clinical implementation. The international Brain Tumor Segmentation (BraTS) challenge serves as a vital resource for algorithm development and comparison, offering large open MRI datasets and transparent evaluation metrics. This paper aims to conduct a comparative evaluation of modern deep learning models—specifically DenseNet121, ResNet50, and EfficientNet-B0—for multiclass brain tumor classification, alongside the development of a web-based application to facilitate practical integration of the results. The anticipated outcome is a tool that enhances diagnostic accuracy, mitigates human error, and supports clinical, educational, and research applications.
Methods
In this study, the dataset was divided into training, validation, and test subsets with a ratio of 70% for training, 15% for validation, and 15% for testing. This stratified splitting ensured that the original class proportions were maintained across all subsets, thereby preventing data leakage and allowing for an accurate assessment of model performance. The training subset comprised 70% of images from all classes, while the validation and test subsets each contained 15%.
The methodology for preparing brain tumor data from MRI images is outlined, although specific details regarding the preparation process are not provided in this section. This structured approach to dataset partitioning is critical for developing robust machine learning models in medical imaging applications.
Results
The research results indicate that the selection of machine learning algorithms for MRI image classification was strategically based on the task’s characteristics and model quality requirements. Transfer learning was utilized, adapting models pretrained on the ImageNet dataset to enhance accuracy and reduce computational costs, particularly beneficial given the limited training samples available for brain tumor classification. Three architectures were evaluated: ResNet50, DenseNet121, and EfficientNet-B0, each demonstrating effectiveness in medical diagnostics due to their accuracy and robustness. Evaluation metrics such as Accuracy, F1-Score, Recall, Specificity, and AUC-ROC were defined to assess classification performance, with Recall being emphasized to minimize missed tumor cases.
The models were trained over multiple epochs, incorporating validation for quality assessment and employing early stopping to mitigate overfitting. The DenseNet121 model achieved approximately 86% validation accuracy with stable training dynamics, while ResNet50 reached over 91% accuracy, demonstrating effective generalization. EfficientNet-B0, noted for its balanced resource requirements, activated early stopping after 89 epochs due to a lack of performance improvement. A comparative analysis of model complexity and training requirements is presented, highlighting the trade-offs between computational resource demands and model performance, ultimately guiding the selection based on available resources and task-specific needs.
Discussion
The discussion highlights the significant advancements in the application of convolutional neural networks (CNNs) for brain tumor classification using MRI images. Recent studies indicate that architectures such as ResNet, DenseNet, and EfficientNet achieve high classification accuracies (ranging from 94% to over 96%) while balancing computational efficiency. The systematic review by Kazerooni et al. (2021) and subsequent studies emphasize the importance of data preprocessing and augmentation techniques in enhancing model performance. However, challenges remain, including limited annotated datasets, high hardware requirements, and the necessity for standardized evaluation protocols, which hinder the clinical deployment of these models.
The literature also underscores the importance of large open datasets, such as those from the Brain Tumor Segmentation Challenge (BraTS), in improving model reliability and reproducibility. Despite the promising results, the review identifies critical areas for future research, including enhancing model generalizability, utilizing multicenter datasets, and integrating these models into user-friendly applications. The findings suggest that while deep learning models, particularly CNNs, show great potential for automating brain tumor classification, further efforts are needed to address existing limitations and ensure their effective implementation in clinical practice.