DOI: https://doi.org/10.1038/s41598-024-84692-7
PMID: https://pubmed.ncbi.nlm.nih.gov/39753735
تاريخ النشر: 2025-01-03
المؤلف: K. Divya Lakshmi وآخرون
الموضوع الرئيسي: كشف وتصنيف أورام الدماغ
نظرة عامة
تقدم ورقة البحث تقنية جديدة لاكتشاف أورام الدماغ (BT) في صور الرنين المغناطيسي، تُسمى XAISS-BMLBT، والتي تدمج الذكاء الاصطناعي القابل للتفسير مع التقسيم الدلالي وتعلم الآلة البايزي. إن الكشف المبكر عن أورام الدماغ يعزز بشكل كبير خيارات العلاج ومعدلات بقاء المرضى، وتهدف طريقة XAISS-BMLBT إلى تبسيط العملية الصعبة والمستهلكة للوقت لتحديد الأورام في فحوصات الرنين المغناطيسي. تستخدم التقنية سلسلة من الخطوات، بما في ذلك التصفية الثنائية لتقليل الضوضاء، MEDU-Net+ لتقسيم المناطق المتأثرة في الدماغ، ResNet50 لاستخراج الميزات، وشبكة عصبية اصطناعية منتظمة بايزية (BRANN) للتصنيف. يتم تحقيق ضبط المعلمات الفائقة من خلال نموذج تحسين الحركة الشعاعية المحسن.
تظهر النتائج التجريبية فعالية نهج XAISS-BMLBT، حيث تحقق دقة مثيرة للإعجاب تبلغ 97.75%، متجاوزة النماذج الحالية. تقدم الورقة مقاييس أداء مفصلة عبر أنواع الأورام المختلفة، بما في ذلك الدبقيات، والورم السحائي، وعدم وجود ورم، وأورام الغدة النخامية، مع دقة متوسطة، واسترجاع، ودرجات F1 تشير إلى قدرات تصنيف قوية. تشير النتائج إلى أن تقنية XAISS-BMLBT لا تعزز فقط دقة التشخيص ولكن لديها أيضًا القدرة على تقليل الأخطاء الطبية، مما يساهم في تحسين نتائج المرضى في البيئات السريرية.
طرق
تستخدم الدراسة طريقة XAISS-BMLBT لتحليل مجموعة بيانات BT-MRI، التي تتكون من 5,500 عينة مصنفة إلى أربع فئات. يستخدم الإعداد التجريبي Python 3.6.5 على جهاز كمبيوتر بمواصفات أجهزة محددة، بما في ذلك معالج i5-8600k وGPU GeForce 1050Ti. تشمل المعلمات الرئيسية للنموذج معدل تعلم قدره 0.01، دالة تنشيط ReLU، 50 دورة، معدل تسرب قدره 0.5، وحجم دفعة قدره 5.
تشير النتائج إلى أن نموذج XAISS-BMLBT يظهر أداء تصنيف فعال عبر دورات مختلفة. عند 500 دورة، حدد النموذج 1,217 عينة كدبقي، 1,240 كورم سحائي، 1,464 كعدم وجود ورم، و1,323 كأورام نخامية. بعد 1,000 دورة، كانت الأعداد 1,224 للدبقي، 1,228 للورم السحائي، 1,469 كعدم وجود ورم، و1,332 للنخامية. بحلول 2,500 دورة، كانت توقعات النموذج قد تغيرت قليلاً، مع تصنيف 1,199 عينة كدبقي، 1,223 كورم سحائي، 1,461 كعدم وجود ورم، و1,315 للنخامية. تؤكد هذه النتائج على قوة النموذج في تصنيف الأورام ضمن مجموعة البيانات.
نقاش
تستعرض قسم النقاش في ورقة البحث منهجيات مختلفة لاكتشاف وتصنيف أورام الدماغ (BT) باستخدام تقنيات التعلم العميق (DL)، مع التركيز بشكل خاص على دمج النماذج المتقدمة وطرق استخراج الميزات. قدم Cekic وآخرون هيكل Mask R-CNN، وقاموا بتحسينه لتحليل بيانات المجهر والرنين المغناطيسي قبل العملية، بينما اقترح Haq وآخرون طرق تصنيف سريعة باستخدام الشبكات العصبية التلافيفية العميقة (CNNs) على مجموعات بيانات الرنين المغناطيسي. سلطت دراسات أخرى الضوء على فعالية الأساليب الهجينة، مثل دمج الميزات الشخصية مع CNNs، واستخدام آليات الانتباه لتعزيز دقة التقسيم. ومن الجدير بالذكر أن نموذج MEDU-Net+ تم التأكيد عليه لقدرته على التقاط الميزات الدقيقة والخشنة من خلال بنية متعددة المقاييس، مما يحسن أداء التقسيم مقارنة بنماذج U-Net التقليدية.
على الرغم من التقدم، تحدد المراجعة تحديات كبيرة، بما في ذلك ميل طرق DL إلى التكيف المفرط على مجموعات البيانات الصغيرة وتعقيد الحسابات المرتبط بالصور الطبية عالية الأبعاد. يتم التأكيد على الحاجة إلى نماذج أكثر تعميماً يمكن أن تدمج بفعالية أنواع الميزات المتعددة وأنماط التصوير، حيث تكافح التقنيات الحالية غالبًا مع قابلية التوسع والدقة في سياقات طبية متنوعة. تهدف تقنية XAISS-BMLBT المقترحة إلى معالجة هذه الفجوات من خلال التركيز على التقسيم الدلالي وتصنيف الأورام في صور الرنين المغناطيسي، باستخدام نموذج معالجة مسبقة قوي، MEDU-Net+ للتقسيم، ResNet50 لاستخراج الميزات، وشبكة عصبية منتظمة بايزية (BRANN) للتصنيف، مما يعزز موثوقية النتائج وقابليتها للتفسير.
DOI: https://doi.org/10.1038/s41598-024-84692-7
PMID: https://pubmed.ncbi.nlm.nih.gov/39753735
Publication Date: 2025-01-03
Author(s): K. Divya Lakshmi et al.
Primary Topic: Brain Tumor Detection and Classification
Overview
The research paper presents a novel technique for brain tumor (BT) detection in MRI images, termed XAISS-BMLBT, which integrates explainable artificial intelligence with semantic segmentation and Bayesian machine learning. Early detection of brain tumors significantly enhances treatment options and patient survival rates, and the XAISS-BMLBT method aims to streamline the challenging and time-consuming process of tumor identification in MRI scans. The technique employs a series of steps, including bilateral filtering for noise reduction, MEDU-Net+ for segmentation of affected brain regions, ResNet50 for feature extraction, and a Bayesian regularized artificial neural network (BRANN) for classification. Hyperparameter tuning is achieved through an improved radial movement optimization model.
Experimental results demonstrate the efficacy of the XAISS-BMLBT approach, achieving an impressive accuracy of 97.75%, surpassing existing models. The paper provides detailed performance metrics across various tumor types, including glioma, meningioma, no-tumor, and pituitary tumors, with average precision, recall, and F1 scores indicating robust classification capabilities. The findings suggest that the XAISS-BMLBT technique not only enhances diagnostic accuracy but also has the potential to reduce medical errors, thereby contributing to improved patient outcomes in clinical settings.
Methods
The study employs the XAISS-BMLBT method to analyze the BT-MRI dataset, which comprises 5,500 samples categorized into four classes. The experimental setup utilizes Python 3.6.5 on a PC with specific hardware configurations, including an i5-8600k processor and a GeForce 1050Ti GPU. Key parameters for the model include a learning rate of 0.01, ReLU activation function, 50 epochs, a dropout rate of 0.5, and a batch size of 5.
Results indicate that the XAISS-BMLBT model demonstrates effective classification performance across various epochs. At 500 epochs, the model identified 1,217 samples as glioma, 1,240 as meningioma, 1,464 as no-tumor, and 1,323 as pituitary. After 1,000 epochs, the counts were 1,224 for glioma, 1,228 for meningioma, 1,469 for no-tumor, and 1,332 for pituitary. By 2,500 epochs, the model’s predictions slightly varied, with 1,199 samples classified as glioma, 1,223 as meningioma, 1,461 as no-tumor, and 1,315 as pituitary. These findings underscore the model’s robustness in tumor classification within the dataset.
Discussion
The discussion section of the research paper reviews various methodologies for brain tumor (BT) detection and classification using deep learning (DL) techniques, particularly focusing on the integration of advanced models and feature extraction methods. Cekic et al. introduced the Mask R-CNN structure, optimizing it for analyzing preoperative microscope and MRI data, while Haq et al. proposed fast classification methods using deep convolutional neural networks (CNNs) on MRI datasets. Other studies highlighted the effectiveness of hybrid approaches, such as combining personalized features with CNNs, and the use of attention mechanisms to enhance segmentation accuracy. Notably, the MEDU-Net+ model was emphasized for its ability to capture fine and coarse features through a multi-scale architecture, improving segmentation performance over traditional U-Net models.
Despite the advancements, the review identifies significant challenges, including the tendency of DL methods to overfit on small datasets and the computational complexity associated with high-dimensional medical images. The need for more generalized models that can effectively integrate multiple feature types and imaging modalities is underscored, as current techniques often struggle with scalability and accuracy in diverse medical contexts. The proposed XAISS-BMLBT technique aims to address these gaps by focusing on semantic segmentation and classification of BTs in MRI images, employing a robust pre-processing model, the MEDU-Net+ for segmentation, ResNet50 for feature extraction, and a Bayesian regularization neural network (BRANN) for classification, thereby enhancing the reliability and interpretability of the results.