DOI: https://doi.org/10.2196/57723
PMID: https://pubmed.ncbi.nlm.nih.gov/39879621
تاريخ النشر: 2025-01-29
المؤلف: Maya Iratni وآخرون
الموضوع الرئيسي: كشف وتصنيف أورام الدماغ
نظرة عامة
تستكشف هذه المراجعة نطاق تطبيق نماذج المحولات في تقسيم التصوير العصبي، مع التركيز بشكل خاص على استخدامها في تشخيص وعلاج الأمراض العصبية. تسلط الدراسة الضوء على قيود التقسيم اليدوي، الذي يستغرق وقتًا طويلاً وعرضة للأخطاء، وتؤكد على إمكانيات المحولات كنهج تعلم عميق لأتمتة هذه العملية. حددت عملية بحث منهجية في قواعد البيانات الرئيسية 67 منشورًا محكمًا ذا صلة من 2019 إلى 2023، مما يكشف أن أكثر من نصف هذه الدراسات نُشرت في 2022 وركزت بشكل أساسي على تقسيم أورام الدماغ باستخدام التصوير بالرنين المغناطيسي (MRI). ومن الجدير بالذكر أن الهياكل الهجينة من الشبكات العصبية الالتفافية والمحولات، وخاصة تلك التي تستخدم محولات الرؤية، أظهرت أداءً متفوقًا، حيث كانت درجة Dice هي المقياس الأكثر شيوعًا للتقييم.
تشير النتائج إلى اتجاه كبير نحو استخدام نماذج المحولات ثلاثية الأبعاد وتبرز مزايا المحولات في التقاط الميزات المحلية والعالمية من خلال آليات الانتباه الذاتي، وهو ما يكون مفيدًا بشكل خاص للحالات العصبية المعقدة مثل أورام الدماغ. ومع ذلك، لا تزال هناك تحديات، بما في ذلك التكاليف الحسابية العالية، ومخاطر الإفراط في التكيف مع مجموعات البيانات الصغيرة، والاعتماد على مجموعة بيانات تقسيم أورام الدماغ، مما يشير إلى الحاجة إلى مجموعات بيانات أكثر تنوعًا للتحقق من أداء النموذج عبر مختلف الأمراض العصبية. تدعو المراجعة إلى مزيد من البحث لتحسين هياكل المحولات وطرق التدريب للتطبيقات السريرية، بهدف تعزيز دقة وموثوقية تقسيم التصوير بالرنين المغناطيسي في الإعدادات السريرية، مما يحسن في النهاية أدوات التشخيص والتقييم للاضطرابات العصبية.
مقدمة
تناقش مقدمة ورقة البحث أهمية التصوير العصبي في فهم الاضطرابات العصبية، مع التركيز على ثلاث طرق تصوير رئيسية: التصوير بالرنين المغناطيسي (MRI)، التصوير المقطعي المحوسب (CT)، وتصوير الانبعاث البوزيتروني (PET). يتم تسليط الضوء على التصوير بالرنين المغناطيسي كأكثر الطرق استخدامًا بسبب تباينه العالي، ودقته المكانية، وغياب مخاطر الإشعاع. كما يوضح القسم أهمية التقسيم في التصوير العصبي، الذي يسمح بالتقييم الكمي لحالات الدماغ مثل مرض الزهايمر وأورام الدماغ. يتم تصنيف تقنيات التقسيم إلى طرق يدوية، وشبه آلية، وآلية بالكامل، مع التركيز المتزايد على التقنيات الآلية بسبب قيود التقسيم اليدوي.
تستكشف الورقة أيضًا تطور طرق التقسيم، مشيرة إلى الانتقال من الأساليب التقليدية للتعلم الآلي إلى تقنيات التعلم العميق (DL)، وخاصة الشبكات العصبية الالتفافية (CNNs) ومتغيراتها مثل U-Net. تشمل التطورات الأخيرة تطبيق هياكل المحولات، التي تستخدم آليات الانتباه الذاتي لنمذجة الاعتماديات بعيدة المدى بشكل فعال في صور الدماغ. على الرغم من النتائج الواعدة للمحولات في مهام التصوير الطبي المختلفة، لا يزال تطبيقها في تقسيم التصوير العصبي غير مستكشف بشكل كافٍ. تهدف هذه المراجعة إلى معالجة هذه الفجوة من خلال تلخيص الأدبيات الموجودة حول نماذج المحولات في تقسيم الصور العصبية، وتقييم أدائها، وتطبيقاتها، وقيودها، وبالتالي تقديم نظرة شاملة على هذا المجال المتطور بسرعة.
طرق
في هذا القسم، يصف المؤلفون منهجيتهم، مع تسليط الضوء على الأداء المتفوق لنهجهم مقارنة بأساليب التعلم الذاتي المتطورة (SSL) ونماذج تقسيم الصور الطبية الحالية على مجموعات البيانات المرجعية. يشيرون إلى وجود تداخل كبير في أبعاد الميزات بين الشبكة العصبية الالتفافية (CNN) وفروع المحولات، مما يساهم في فعالية نموذجهم.
تتناول الدراسة أيضًا تحديات محددة، مثل التصنيف الخاطئ للفوكسيات في حالات الورم الدبقي منخفض الدرجة (LGG)، وتقدم آلية تسجيل قائمة على التدرج لتعزيز إعادة البناء الانتباه. علاوة على ذلك، يؤكد المؤلفون على التكامل الناجح لبيانات التصوير بالرنين المغناطيسي متعددة النماذج، على الرغم من أنهم يعترفون بأن عدم توازن مجموعة البيانات يمثل تحديًا يؤثر على الأداء العام.
نتائج
تسلط المراجعة الضوء على زيادة كبيرة في تطبيق نماذج المحولات في تقسيم التصوير العصبي، خاصة من 2021 إلى 2022، حيث نُشر أكثر من نصف الدراسات في عام 2022 وحده. بحلول 22 مايو 2023، تم نشر 32.84% من الدراسات المدرجة بالفعل، مما يشير إلى اتجاه مستمر. ظهر التصوير بالرنين المغناطيسي كأكثر طرق التصوير استخدامًا لهذه التطبيقات، ويرجع ذلك إلى دقته المكانية العالية وتباين الأنسجة الرخوة، والتي تعتبر ضرورية للتقسيم الدقيق. تدعم توفر مسحات التصوير بالرنين المغناطيسي المعلّمة من مجموعة بيانات BraTS، المصممة خصيصًا لتقسيم أورام الدماغ، انتشار التصوير بالرنين المغناطيسي في هذا المجال البحثي.
ركزت الغالبية العظمى من الدراسات على تقسيم أورام الدماغ، مدفوعة بالارتفاع الكبير في حدوث وتعقيد أورام الدماغ، مما يتطلب طرق تقسيم آلية متقدمة. تشير المراجعة إلى أن معظم الدراسات استخدمت شبكات تقسيم ثلاثية الأبعاد للاستفادة من الطبيعة ثلاثية الأبعاد لبيانات التصوير بالرنين المغناطيسي، على الرغم من أن بعض الدراسات اختارت شرائح ثنائية الأبعاد لتقليل التكاليف الحسابية، على الرغم من فقدان المعلومات الحجمية المحتمل. ومن الجدير بالذكر أن نماذج CNN-Transformer الهجينة، وخاصة تركيبات U-Net والمحولات، كانت مفضلة على نماذج المحولات المستقلة. يجمع هذا النهج بشكل فعال بين قدرات استخراج الميزات المحلية للشبكات العصبية الالتفافية مع نمذجة الاعتماديات بعيدة المدى للمحولات، مما يعزز أداء التقسيم لأورام الدماغ.
مناقشة
تستكشف المراجعة التطبيقات والأداء والقيود لنماذج المحولات في تقسيم التصوير العصبي، مع التركيز بشكل خاص على تقسيم أورام الدماغ. وفقًا لإرشادات PRISMA-ScR، تلخص المراجعة الأدبيات من 2019 إلى 2023، مما يبرز الدور المهم للمحولات في تعزيز دقة التقسيم من خلال قدرتها على نمذجة الاعتماديات بعيدة المدى والميزات المحلية. تشير النتائج إلى الاعتماد الكبير على مجموعة بيانات BraTS، مما يبرز الحاجة إلى مزيد من مجموعات البيانات المتنوعة وعالية الجودة عبر مختلف الحالات العصبية للتحقق من نماذج المحولات بشكل فعال.
تكشف المراجعة أن الهياكل الهجينة التي تجمع بين المحولات والشبكات العصبية الالتفافية (CNNs) شائعة، مما يظهر نقاط قوتها التكميلية. تشمل اتجاهات البحث المستقبلية استكشاف تكاملات جديدة للمحولات مع تقنيات متقدمة أخرى، وتوسيع التطبيقات لتتجاوز أورام الدماغ، وتطوير واجهات سهلة الاستخدام للتكامل السريري. على الرغم من التقدم الواعد، لا تزال هناك تحديات مثل التكاليف الحسابية العالية، والإفراط في التكيف، والتركيز الجغرافي للبحث. يعد معالجة هذه القضايا أمرًا حيويًا لتحقيق الإمكانات الكاملة لنماذج المحولات في التطبيقات السريرية للتصوير العصبي، مما يحسن في النهاية نتائج التشخيص والعلاج للمرضى الذين يعانون من اضطرابات عصبية.
القيود
يسلط القسم الخاص بالقيود الضوء على كل من نقاط القوة والضعف في التقنيات القائمة على المحولات في تقسيم الصور العصبية. بينما حققت هذه التقنيات تقدمًا كبيرًا في هذا المجال من خلال تعزيز دقة التقسيم من خلال نمذجة فعالة للميزات المعقدة، فإنها تواجه أيضًا تحديات ملحوظة. تشمل القيود الرئيسية الطلبات العالية على الحوسبة والذاكرة، والحساسية تجاه مناطق الأورام الصغيرة، وميولها للإفراط في التكيف مع مجموعات البيانات الصغيرة. بالإضافة إلى ذلك، فإن المراجعة نفسها مقيدة بتركيزها الضيق على تقسيم أورام الدماغ، مما قد يتسبب في تجاهل التطبيقات الأوسع للمحولات في مهام التصوير الطبي الأخرى وأنظمة الأعضاء.
قد تكون منهجية المراجعة، التي شملت فقط الدراسات باللغة الإنجليزية المنشورة من 2019 إلى 2023، قد استبعدت أبحاثًا قيمة غير إنجليزية وتطبيقات سابقة للمحولات، مما يحد من تمثيل الاتجاهات البحثية العالمية. علاوة على ذلك، فإن هيمنة الدراسات التي تستخدم مجموعة بيانات BraTS تُدخل تحيزًا، حيث قد لا تعكس تمامًا قدرات المحولات عبر حالات عصبية متنوعة. تشير المراجعة أيضًا إلى تركيز كبير للدراسات من الصين، مما يعكس الاتجاهات الأوسع في نشر أبحاث الذكاء الاصطناعي. أخيرًا، فإن غياب تقييم رسمي للجودة أو مخاطر التحيز في الدراسات المدرجة يحد من القدرة على استخلاص استنتاجات قوية بشأن فعالية الأساليب المختلفة للمحولات. يجب أن تهدف الأبحاث المستقبلية إلى معالجة هذه القيود من خلال توسيع نطاق معايير المراجعة ودمج تقييمات الجودة لتعزيز قوة النتائج في هذا المجال المتطور.
DOI: https://doi.org/10.2196/57723
PMID: https://pubmed.ncbi.nlm.nih.gov/39879621
Publication Date: 2025-01-29
Author(s): Maya Iratni et al.
Primary Topic: Brain Tumor Detection and Classification
Overview
This scoping review investigates the application of transformer models in neuroimaging segmentation, particularly focusing on their use for diagnosing and treating neurological diseases. The study highlights the limitations of manual segmentation, which is time-consuming and prone to error, and emphasizes the potential of transformers as a deep learning approach for automating this process. A systematic search of major databases identified 67 relevant peer-reviewed publications from 2019 to 2023, revealing that over half of these studies were published in 2022 and primarily focused on brain tumor segmentation using magnetic resonance imaging (MRI). Notably, hybrid convolutional neural network-transformer architectures, especially those utilizing vision transformers, demonstrated superior performance, with the Dice score being the most common evaluation metric.
The findings indicate a significant trend towards the use of 3D transformer models and highlight the advantages of transformers in capturing both local and global features through self-attention mechanisms, which is particularly beneficial for complex neurological conditions like brain tumors. However, challenges remain, including high computational costs, risks of overfitting on small datasets, and a reliance on the brain tumor segmentation dataset, suggesting a need for more diverse datasets to validate model performance across various neurological diseases. The review calls for further research to optimize transformer architectures and training methods for clinical applications, aiming to enhance the accuracy and reliability of MRI segmentation in clinical settings, ultimately improving diagnostic and evaluative tools for neurological disorders.
Introduction
The introduction of the research paper discusses the significance of neuroimaging in understanding neurological disorders, emphasizing three primary imaging modalities: magnetic resonance imaging (MRI), computed tomography (CT), and positron emission tomography (PET). MRI is highlighted as the most frequently used modality due to its high contrast, spatial resolution, and absence of radiation risk. The section also outlines the importance of segmentation in neuroimaging, which allows for the quantitative assessment of brain conditions such as Alzheimer’s disease and brain tumors. Segmentation techniques are categorized into manual, semiautomated, and fully automated methods, with a growing emphasis on automated techniques due to the limitations of manual segmentation.
The paper further explores the evolution of segmentation methods, noting the transition from traditional machine learning approaches to deep learning (DL) techniques, particularly convolutional neural networks (CNNs) and their variants like U-Net. Recent advancements include the application of transformer architectures, which utilize self-attention mechanisms to effectively model long-range dependencies in brain images. Despite the promising results of transformers in various medical imaging tasks, their application in neuroimaging segmentation remains underexplored. This scoping review aims to address this gap by synthesizing existing literature on transformer models in neuroimage segmentation, evaluating their performance, applications, and limitations, thereby providing a comprehensive overview of this rapidly developing field.
Methods
In this section, the authors describe their methodology, highlighting the superior performance of their approach compared to state-of-the-art self-supervised learning (SSL) methods and existing medical image segmentation models on benchmark datasets. They note a significant overlap in feature dimensions between the convolutional neural network (CNN) and transformer branches, which contributes to the effectiveness of their model.
The study also addresses specific challenges, such as the misclassification of voxels in low-grade glioma (LGG) cases, and introduces a gradient-based scoring mechanism to enhance attentive reconstruction. Furthermore, the authors emphasize the successful integration of multimodal MRI data, although they acknowledge that dataset imbalance poses a challenge that affects overall performance.
Results
The scoping review highlights a significant increase in the application of transformer models in neuroimaging segmentation, particularly from 2021 to 2022, with over half of the studies published in 2022 alone. By May 22, 2023, 32.84% of the included studies had already been published, indicating a continuing trend. MRI emerged as the predominant imaging modality utilized for these applications, largely due to its high spatial resolution and soft tissue contrast, which are essential for precise segmentation. The availability of annotated MRI scans from the BraTS dataset, specifically designed for brain tumor segmentation, further supports the prevalence of MRI in this research area.
The majority of studies focused on brain tumor segmentation, driven by the high incidence and complexity of brain tumors, which necessitate advanced automated segmentation methods. The review notes that most studies employed 3D segmentation networks to leverage the 3D nature of MRI data, although some opted for 2D slices to mitigate computational costs, despite potential loss of volumetric information. Notably, CNN-transformer hybrid models, particularly U-Net and transformer combinations, were favored over standalone transformer models. This approach effectively combines the local feature extraction capabilities of CNNs with the long-range dependency modeling of transformers, enhancing segmentation performance for brain tumors.
Discussion
The scoping review investigates the applications, performance, and limitations of transformer models in neuroimaging segmentation, particularly focusing on brain tumor segmentation. Following PRISMA-ScR guidelines, the review synthesizes literature from 2019 to 2023, highlighting the significant role of transformers in enhancing segmentation accuracy through their ability to model long-range dependencies and local features. The findings indicate a predominant reliance on the BraTS dataset, underscoring the need for more diverse, high-quality datasets across various neurological conditions to validate transformer models effectively.
The review reveals that hybrid architectures combining transformers with convolutional neural networks (CNNs) are prevalent, showcasing their complementary strengths. Future research directions include exploring novel integrations of transformers with other advanced techniques, extending applications beyond brain tumors, and developing user-friendly interfaces for clinical integration. Despite the promising advancements, challenges such as high computational costs, overfitting, and geographical concentration of research remain. Addressing these issues is crucial for realizing the full potential of transformer models in clinical neuroimaging applications, ultimately improving diagnostic and treatment outcomes for patients with neurological disorders.
Limitations
The section on limitations highlights both the strengths and weaknesses of transformer-based techniques in neuroimage segmentation. While these techniques have significantly advanced the field by enhancing the accuracy of segmentation through effective modeling of complex features, they also face notable challenges. Key limitations include high computational and memory demands, sensitivity to small tumor areas, and a tendency to overfit smaller datasets. Additionally, the scoping review itself is constrained by its narrow focus on brain tumor segmentation, potentially overlooking the broader applications of transformers in other medical imaging tasks and organ systems.
The review’s methodology, which included only English-language studies published from 2019 to 2023, may have excluded valuable non-English research and earlier applications of transformers, thus limiting the representation of global research trends. Furthermore, the predominance of studies utilizing the BraTS dataset introduces bias, as it may not fully capture the capabilities of transformers across diverse neurological conditions. The review also notes a significant concentration of studies from China, reflecting broader trends in AI research publication. Lastly, the absence of a formal quality or risk-of-bias assessment in the included studies restricts the ability to draw strong conclusions regarding the effectiveness of various transformer approaches. Future research should aim to address these limitations by expanding the scope of review criteria and incorporating quality assessments to enhance the robustness of findings in this evolving field.