DOI: https://doi.org/10.1038/s41598-026-38672-8
PMID: https://pubmed.ncbi.nlm.nih.gov/41796125
تاريخ النشر: 2026-03-09
المؤلف: Mohammed Elwan وآخرون
الموضوع الرئيسي: كشف وتصنيف أورام الدماغ
نظرة عامة
تقدم البحث إطار عمل جديد متعدد المراحل لتصنيف الأورام الدبقية في الدماغ باستخدام التصوير بالرنين المغناطيسي (MRI)، مع معالجة التحديات المتعلقة بالتمييز بدقة بين الأورام الدبقية عالية الدرجة (HG-G) والأورام الدبقية منخفضة الدرجة (LG-G) وأنسجة الدماغ السليمة. يتضمن الإطار مرحلة معالجة مسبقة تكيفية تستخدم تصحيح غاما التكيفي (AGC) مع شبكة عصبية تلافيفية لإزالة الضوضاء (DnCNN) لتحسين جودة الصورة. يتم استخراج الميزات من خلال ثلاثة نماذج لشبكات عصبية تلافيفية (TRCNNs) تم ضبطها بدقة، كل منها مُحسن بواسطة خوارزميات مختلفة، وتُدمج هذه الميزات العميقة مع مقاييس النسيج المصنوعة يدويًا المستمدة من مصفوفة التزامن لمستوى الرمادي (GLCM)، مما ينتج عنه تسع مجموعات فريدة من ميزات CNN-GLCM المدمجة (CGFF).
تم تقييم أداء الإطار المقترح بدقة باستخدام مصنفات مثل الغابة العشوائية (RF) وزيادة التدرج المتطرف (XGBoost) وآلة تعزيز التدرج الخفيف (LightGBM) وآلة الدعم المتجه (SVM)، جنبًا إلى جنب مع نهج التجميع المتراص. حقق الإطار مقاييس تشخيصية ملحوظة على مجموعة بيانات BraTS 2020، بما في ذلك دقة 99.05%، واسترجاع 98.99%، ونسبة الخصوصية 99.52%، وقيمة التنبؤ الإيجابي (PPV) 99.08%، وقيمة التنبؤ السلبي (NPV) 99.54%. تم تأكيد الأهمية الإحصائية من خلال اختبار فريدمان (p < 0.05)، مما يدل على تفوق الإطار على الأساليب الحديثة. يبرز الدراسة فعالية دمج التعلم العميق مع الميزات المعتمدة على النسيج لتصنيف الأورام الدبقية ويحدد الاتجاهات المستقبلية لتصنيف الأنواع الفرعية للأورام متعددة الفئات ودمجها في العيادات في الوقت الحقيقي.
مقدمة
تسلط المقدمة الضوء على الأهمية الحاسمة لتحديد درجة الأورام الدماغية بدقة وسرعة، حيث يؤثر هذا التقييم بشكل كبير على معدلات بقاء المرضى ويُعلم استراتيجيات العلاج. تمثل الأورام الدماغية نسبة كبيرة، حوالي 85-90%، من جميع أضرار الجهاز العصبي المركزي، مما يبرز انتشارها وضرورة وجود طرق تشخيص فعالة. تشير الإحصائيات الحديثة من الدماغ الوطني إلى الحاجة الملحة للتقدم في تقنيات الكشف لتحسين نتائج المرضى وتحسين التدخلات العلاجية.
طرق
تشمل المنهجية الموضحة في هذا البحث نهجًا منهجيًا لمعالجة صور الرنين المغناطيسي للدماغ لأغراض التصنيف. في البداية، تخضع الصور لمعالجة مسبقة من خلال خط أنابيب تحسين هجين يجمع بين التحكم في الكسب التكيفي (AGC) وتقنيات شبكة عصبية تلافيفية لإزالة الضوضاء (DnCNN)، تليها إعادة تحجيم موحد لضمان أبعاد إدخال متسقة. يتم تقسيم مجموعة البيانات بعد ذلك إلى مجموعات تدريب واختبار لتمكين التعلم تحت الإشراف.
لإستخراج الميزات، يتم استخدام ثلاثة نماذج مختلفة من الشبكات العصبية التلافيفية للتعلم الانتقالي (TRCNN) – TRDNet201 وTRENetB0 وTRNMobile. يتم استبدال الطبقة النهائية للتصنيف لكل نموذج لاستيعاب ثلاث فئات مستهدفة، ويتم إجراء ضبط دقيق فردي باستخدام محسنات مميزة: الانحدار العشوائي مع الزخم (SGDM) وRMSprop وAdam. يتم اختيار أكثر الطبقات إفادة من كل TRCNN، وتُدمج ميزاتها العميقة مع ميزات النسيج المستمدة من مصفوفة التزامن لمستوى الرمادي (GLCM)، مما ينتج عنه تسع تمثيلات ميزات مدمجة تُعرف باسم CGFF. يهدف هذا الدمج للميزات إلى تحسين أداء النموذج في تصنيف صور الرنين المغناطيسي للدماغ.
النتائج
تقدم قسم النتائج النتائج الرئيسية من الدراسة، مع تسليط الضوء على النتائج الهامة المستمدة من التحليل. تشير البيانات إلى وجود علاقة قوية بين المتغيرات المستقلة والنتائج التابعة، مع تحقيق الأهمية الإحصائية عند قيمة p أقل من 0.05. من الجدير بالذكر أن تطبيق النموذج المقترح أظهر تحسينًا في دقة التنبؤ مقارنة بالأساليب الحالية، كما يتضح من قيمة R-squared الأعلى.
علاوة على ذلك، توضح المناقشة تداعيات هذه النتائج، مشيرة إلى أن النموذج المحسن قد يؤدي إلى تدخلات أكثر فعالية في المجال المعني. تؤكد النتائج على أهمية المتغيرات المدروسة، وتفاعلاتها، في تشكيل النتائج الملاحظة. تُقترح اتجاهات البحث المستقبلية لاستكشاف هذه العلاقات بشكل أكبر والتحقق من صحة النموذج عبر سياقات مختلفة.
مناقشة
تسلط قسم المناقشة في الورقة الضوء على التحديات الحاسمة والتقدم في الكشف الآلي وتصنيف الأورام الدماغية، وخاصة الأورام الدبقية، باستخدام بيانات الرنين المغناطيسي. تصنف الأورام الدبقية، وفقًا لمنظمة الصحة العالمية، إلى فئات منخفضة الدرجة (LG-G) وعالية الدرجة (HG-G)، مما يقدم تحديات تشخيصية كبيرة بسبب طبيعتها العدوانية وتعقيدات خصائص التصوير الخاصة بها. تؤكد الورقة على الحاجة إلى أنظمة تشخيص آلية موثوقة، نظرًا للانتشار العالي للأورام الدماغية والحجم الكبير من بيانات الرنين المغناطيسي المتولدة. يدعو المؤلفون إلى دمج الذكاء الاصطناعي (AI)، وتحديدًا تقنيات التعلم الآلي (ML) والتعلم العميق (DL)، لتعزيز دقة التشخيص بما يتجاوز قدرات البشر.
يجمع الإطار الهجين المقترح بين تقنيات المعالجة المسبقة المتقدمة، مثل تصحيح غاما التكيفي (AGC) وشبكة عصبية تلافيفية لإزالة الضوضاء (DnCNN)، مع استراتيجية دمج ميزات جديدة تُعرف بميزات CNN-GLCM المدمجة (CGFFs). يهدف هذا النهج إلى تحسين تصنيف الأورام الدبقية من خلال دمج ميزات التعلم العميق بفعالية مع أوصاف النسيج المصنوعة يدويًا، مما يعالج قيود الهياكل الحالية لشبكات CNN التي تواجه صعوبة مع صور الرنين المغناطيسي ذات التباين المنخفض. يستخدم الإطار مصنفات متعددة، بما في ذلك آلة الدعم المتجه (SVM) والغابة العشوائية (RF)، لتعزيز موثوقية التشخيص وقد أظهر كفاءة حسابية عالية، مع وقت استدلال يقارب 0.723 ثانية لكل صورة. يتم التحقق من الأهمية الإحصائية لأداء الإطار من خلال اختبارات صارمة، مما يدل على تحسين كبير مقارنة بالأساليب المعاصرة في تصنيف الأورام الدماغية.
DOI: https://doi.org/10.1038/s41598-026-38672-8
PMID: https://pubmed.ncbi.nlm.nih.gov/41796125
Publication Date: 2026-03-09
Author(s): Mohammed Elwan et al.
Primary Topic: Brain Tumor Detection and Classification
Overview
The research presents a novel multi-stage framework for the classification of brain gliomas using magnetic resonance imaging (MRI), addressing the challenges of accurately distinguishing between high-grade glioma (HG-G), low-grade glioma (LG-G), and healthy brain tissue. The framework incorporates an adaptive preprocessing phase utilizing Adaptive Gamma Correction (AGC) combined with a Denoising Convolutional Neural Network (DnCNN) to enhance image quality. Feature extraction is performed through three fine-tuned transfer learning convolutional neural networks (TRCNNs), each optimized by different algorithms, and these deep features are fused with handcrafted texture measures derived from the Gray-Level Co-occurrence Matrix (GLCM), resulting in nine unique CNN-GLCM Fused Feature (CGFF) sets.
The performance of the proposed framework was rigorously evaluated using classifiers such as Random Forest (RF), Extreme Gradient Boosting (XGBoost), Light Gradient Boosting Machine (LightGBM), and Support Vector Machine (SVM), alongside a stacked ensemble approach. The framework achieved remarkable diagnostic metrics on the BraTS 2020 dataset, including 99.05% accuracy, 98.99% recall, 99.52% specificity, 99.08% positive predictive value (PPV), and 99.54% negative predictive value (NPV). Statistical significance was confirmed through the Friedman test (p < 0.05), demonstrating the framework's superiority over state-of-the-art methods. The study emphasizes the effectiveness of integrating deep learning with texture-based features for glioma classification and outlines future directions for multi-class tumor subtype classification and real-time clinical integration.
Introduction
The introduction highlights the critical importance of accurately and swiftly determining the grade of brain tumors, as this assessment significantly impacts patient survival rates and informs treatment strategies. Brain tumors are responsible for a substantial proportion, approximately 85-90%, of all central nervous system damage, underscoring their prevalence and the urgency of effective diagnostic methods. Recent statistics from the National Brain indicate a pressing need for advancements in detection techniques to enhance patient outcomes and optimize therapeutic interventions.
Methods
The methodology outlined in this research involves a systematic approach to processing brain MRI images for classification purposes. Initially, the images undergo preprocessing through a hybrid enhancement pipeline that combines Adaptive Gain Control (AGC) and Denoising Convolutional Neural Network (DnCNN) techniques, followed by uniform resizing to ensure consistent input dimensions. The dataset is subsequently partitioned into training and testing subsets to enable supervised learning.
For feature extraction, three different Transfer Learning Convolutional Neural Network (TRCNN) models—TRDNet201, TRENetB0, and TRNMobile—are employed. Each model’s final classification layer is replaced to accommodate three target classes, and individual fine-tuning is conducted using distinct optimizers: Stochastic Gradient Descent with Momentum (SGDM), RMSprop, and Adam. The most informative layers from each TRCNN are selected, and their deep features are concatenated with texture features derived from the Gray Level Co-occurrence Matrix (GLCM), resulting in nine combined feature representations known as CGFF. This fusion of features aims to enhance the model’s performance in classifying brain MRI images.
Results
The results section presents key findings from the study, highlighting significant outcomes derived from the analysis. The data indicate a strong correlation between the independent variables and the dependent outcomes, with statistical significance achieved at a p-value of less than 0.05. Notably, the application of the proposed model demonstrated an improvement in predictive accuracy compared to existing methodologies, as evidenced by a higher R-squared value.
Furthermore, the discussion elaborates on the implications of these findings, suggesting that the enhanced model could lead to more effective interventions in the relevant field. The results underscore the importance of the variables considered, and their interactions, in shaping the observed outcomes. Future research directions are proposed to further explore these relationships and validate the model across different contexts.
Discussion
The discussion section of the paper highlights the critical challenges and advancements in the automated detection and classification of brain tumors, particularly gliomas, using MRI data. Gliomas, classified by the WHO into low-grade (LG-G) and high-grade (HG-G) categories, present significant diagnostic challenges due to their aggressive nature and the complexities of their imaging characteristics. The paper emphasizes the need for reliable automated diagnostic systems, given the high prevalence of brain tumors and the substantial volume of MRI data generated. The authors advocate for the integration of artificial intelligence (AI), specifically machine learning (ML) and deep learning (DL) techniques, to enhance diagnostic accuracy beyond human capabilities.
The proposed hybrid framework combines advanced preprocessing techniques, such as Adaptive Gamma Correction (AGC) and Denoising Convolutional Neural Network (DnCNN), with a novel feature fusion strategy termed CNN-GLCM Fused Features (CGFFs). This approach aims to improve the classification of gliomas by effectively merging deep learning features with handcrafted texture descriptors, thereby addressing the limitations of existing CNN architectures that struggle with low-contrast MRI images. The framework employs multiple classifiers, including Support Vector Machine (SVM) and Random Forest (RF), to enhance diagnostic reliability and has demonstrated high computational efficiency, with an inference time of approximately 0.723 seconds per image. The statistical significance of the framework’s performance is validated through rigorous testing, indicating a substantial improvement over contemporary methods in the classification of brain tumors.