DOI: https://doi.org/10.1007/s44196-026-01258-3
تاريخ النشر: 2026-03-23
المؤلف: Manvi Bohra وآخرون
الموضوع الرئيسي: الذكاء الاصطناعي في اكتشاف السرطان
نظرة عامة
تتناول هذه الدراسة القضية الملحة لتشخيص سرطان الثدي من خلال اقتراح إطار عمل لدمج الميزات متعددة المقاييس يجمع بين تحويل الموجات الرافعة (LWT) وشبكة الأعصاب التلافيفية متعددة المسارات (CNN). يتم تقييم المنهجية بدقة باستخدام مجموعة بيانات BreakHis، التي تحتوي على 7,638 صورة هيستوباثولوجية تم وضع علامات عليها كحميدة أو خبيثة عبر أربعة مستويات تكبير (40×، 100×، 200×، و400×). يبدأ الإطار بعملية تطبيع الصورة وإعادة الحجم، تليها تحويل LWT ثنائي الأبعاد على ثلاثة مستويات لاستخراج مكونات نطاق التردد المنخفض. ثم تتم معالجة هذه الميزات من خلال CNN متعددة المسارات مخصصة، حيث تتعامل فروع التلافيف المنفصلة مع الميزات من كل مستوى تحليل، مما يعزز تصنيف الآفات. يحقق النهج المقترح دقة اختبار ملحوظة تبلغ 99.28% عند استخدام الصور بتكبير 40× و200× و400× مع فلتر الموجة هار، مما يظهر تفوقه على نماذج CNN المدربة مسبقًا المعروفة.
في الختام، تقدم الدراسة نموذج CNN متعدد المسارات جديد معزز بـ LWT للتعرف الفعال على آفات الثدي في الصور الهيستوباثولوجية. تم تقييم أداء النموذج بدقة باستخدام فلاتر مختلفة وحقب متعددة (50 و100 و120)، مما يكشف عن تحسين مستمر في الدقة مع زيادة الحقب. تؤكد النتائج على إمكانية هذا النهج المبتكر في تعزيز موثوقية اكتشاف أورام الثدي بشكل كبير، مما يمثل تقدمًا كبيرًا في استراتيجيات التشخيص لسرطان الثدي.
مقدمة
تتناول مقدمة ورقة البحث القضية الحرجة لسرطان الثدي، وهو اضطراب خبيث يتميز بنمو غير منضبط للخلايا في أنسجة الثدي، ويؤثر على كل من الرجال والنساء. تسلط الضوء على الانتشار الكبير لسرطان الثدي، مشيرة إلى أن 1 من كل 8 نساء في الولايات المتحدة يتم تشخيصهن في حياتهن، وتؤكد على أهمية الكشف المبكر، الذي يمكن أن يؤدي إلى معدل بقاء لمدة خمس سنوات بنسبة 99%. تناقش الورقة التحديات المرتبطة بالتشخيص اليدوي، خاصة في المراحل المبكرة من المرض، حيث قد تكون الأعراض خفية وسهلة التجاهل. وهذا يبرز ضرورة وجود تقنيات تشخيص متقدمة، مثل علم الأمراض الرقمي، الذي يستخدم طرقًا مثل تصوير الثدي بالأشعة السينية والخزعة لتحسين دقة التشخيص.
يقترح المؤلفون بنية شبكة أعصاب تلافيفية متعددة المسارات (MPCNN) جديدة تدمج تحويلات الموجات الرافعة لتحسين تصنيف آفات الثدي. يهدف هذا النهج إلى الاستفادة من نقاط القوة في التحليل متعدد الدقة لاستخراج ميزات معقدة من الصور الهيستوباثولوجية، مما يحسن الأداء التشخيصي. تحدد المقدمة مجموعة البيانات المستخدمة، والتي تشمل صور هيستوباثولوجية بتكبيرات مختلفة، وتسلط الضوء على أهمية التقدم المعماري في شبكات CNN لتحقيق نتائج تصنيف متفوقة. تمهد الورقة الطريق للأقسام التالية التي ستفصل المنهجية والنتائج التجريبية وآثار هذه النتائج في سياق تشخيص وعلاج سرطان الثدي.
طرق
في هذا القسم، يحدد المؤلفون المنهجية المستخدمة لتطوير إطار عمل شبكة الأعصاب التلافيفية متعددة المسارات (CNN). تم تصميم الإطار لتسهيل تدفق شامل للبيانات من المدخلات إلى المخرجات، مما يضمن تكامل كل مكون بشكل فعال. يقدم المؤلفون حسابًا مفصلًا للهندسة المعمارية، مع تسليط الضوء على التفاعلات بين المسارات المختلفة داخل شبكة CNN، والتي تسهم في تحسين استخراج الميزات والأداء المحسن في التطبيق المقصود. يبرز هذا النهج المنهجي قدرة الإطار على معالجة البيانات المعقدة بكفاءة.
نقاش
تسلط قسم النقاش في ورقة البحث الضوء على تطبيق نموذج شبكة الأعصاب التلافيفية متعددة المسارات (CNN) الجديد المعزز بتحويل الموجات الرافعة (LWT) لاكتشاف سرطان الثدي باستخدام الصور الهيستوباثولوجية. تستخدم الدراسة مجموعة بيانات BreakHis، التي تتكون من 7,638 صورة مجهرية من 82 مريضًا، مصنفة إلى حالات حميدة وخبيثة. يتضمن النموذج المقترح مرحلة معالجة شاملة، بما في ذلك إعادة الحجم وتقنيات زيادة البيانات، تليها بنية CNN متعددة المسارات مصممة لتحسين استخراج الميزات ودقة التصنيف. تشير النتائج إلى أن النموذج المقترح يحقق دقة مثيرة للإعجاب تبلغ 99.28%، متفوقًا بشكل كبير على النماذج المدربة مسبقًا الموجودة، مثل ResNet-18، التي سجلت دقة تبلغ 94.10%.
تؤكد الدراسة على فعالية LWT في تحسين الكفاءة الحسابية وتقليل متطلبات الذاكرة مقارنة بالطرق التقليدية المعتمدة على التلافيف. تعزز مقاييس أداء النموذج، بما في ذلك الدقة والاسترجاع ودرجة F1، من موثوقيته، مع قيم تبلغ 99.65% و99.30% و99.48% على التوالي. تختتم الدراسة بأن نموذج CNN متعدد المسارات المقترح لا يعزز فقط دقة اكتشاف سرطان الثدي، بل يوفر أيضًا أداة موثوقة للممارسين الطبيين في البيئات السريرية، مما يشير إلى إمكانيته في الاندماج في سير العمل التشخيصي. قد تركز الأعمال المستقبلية على تحسين النموذج أكثر واستكشاف قابليته للتطبيق عبر مجموعات بيانات وأنماط تصوير متنوعة.
DOI: https://doi.org/10.1007/s44196-026-01258-3
Publication Date: 2026-03-23
Author(s): Manvi Bohra et al.
Primary Topic: AI in cancer detection
Overview
This study addresses the pressing issue of breast cancer diagnosis by proposing a multiscale feature fusion framework that combines the Lifting Wavelet Transform (LWT) with a Multi-Path Convolutional Neural Network (CNN). The methodology is rigorously evaluated using the BreakHis dataset, which contains 7,638 histopathological images annotated as benign or malignant across four magnification levels (40×, 100×, 200×, and 400×). The framework begins with image normalization and resizing, followed by a three-level two-dimensional LWT to extract low-frequency sub-band components. These features are then processed through a custom multi-path CNN, where separate convolutional branches handle features from each decomposition level, enhancing lesion classification. The proposed approach achieves a remarkable testing accuracy of 99.28% when utilizing images at 40×, 200×, and 400× magnifications with the Haar wavelet filter, demonstrating its superiority over established pre-trained CNN models.
In conclusion, the study presents a novel multi-path CNN model enhanced by LWT for the effective recognition of breast lesions in histopathological images. The model’s performance was thoroughly assessed using various filters and multiple epochs (50, 100, and 120), revealing a consistent improvement in accuracy with increasing epochs. The findings underscore the potential of this innovative approach to significantly enhance the reliability of breast tumor detection, marking a substantial advancement in diagnostic strategies for breast cancer.
Introduction
The introduction of the research paper addresses the critical issue of breast cancer, a malignant disorder characterized by uncontrolled cell growth in breast tissues, affecting both men and women. It highlights the significant prevalence of breast cancer, noting that 1 in 8 women in the U.S. are diagnosed in their lifetime, and emphasizes the importance of early detection, which can lead to a 99% five-year survival rate. The paper discusses the challenges associated with manual diagnosis, particularly in the early stages of the disease, where symptoms may be subtle and easily overlooked. This underscores the necessity for advanced diagnostic techniques, such as digital pathology, which utilizes methods like mammography and biopsy to improve diagnostic accuracy.
The authors propose a novel multi-path convolutional neural network (MPCNN) architecture that integrates lifting wavelet transforms for enhanced breast lesion classification. This approach aims to leverage the strengths of multi-resolution analysis to extract complex features from histopathological images, thereby improving diagnostic performance. The introduction outlines the dataset used, which includes histopathological images at various magnifications, and highlights the significance of architectural advancements in CNNs for achieving superior classification results. The paper sets the stage for subsequent sections that will detail the methodology, experimental results, and the implications of these findings in the context of breast cancer diagnosis and treatment.
Methods
In this section, the authors outline the methodology employed to develop the multi-path convolutional neural network (CNN) framework. The framework is designed to facilitate a comprehensive flow of data from input to output, ensuring that each component is effectively integrated. The authors provide a detailed account of the architecture, highlighting the interactions between various pathways within the CNN, which contribute to enhanced feature extraction and improved performance in the intended application. This systematic approach underscores the framework’s capability to process complex data efficiently.
Discussion
The discussion section of the research paper highlights the application of a novel multi-path convolutional neural network (CNN) model enhanced by the Lifting Wavelet Transform (LWT) for breast cancer detection using histopathological images. The study utilizes the BreakHis dataset, which comprises 7,638 microscopic images from 82 patients, categorized into benign and malignant cases. The proposed model incorporates a comprehensive preprocessing phase, including resizing and data augmentation techniques, followed by a multi-path CNN architecture designed to optimize feature extraction and classification accuracy. The results indicate that the proposed model achieves an impressive accuracy of 99.28%, significantly outperforming existing pre-trained models, such as ResNet-18, which recorded an accuracy of 94.10%.
The research emphasizes the effectiveness of the LWT in improving computational efficiency and reducing memory requirements compared to traditional convolution-based methods. The model’s performance metrics, including precision, recall, and F1 score, further validate its robustness, with values of 99.65%, 99.30%, and 99.48%, respectively. The study concludes that the proposed multi-path CNN model not only enhances the accuracy of breast cancer detection but also provides a reliable tool for medical practitioners in clinical settings, suggesting its potential for integration into diagnostic workflows. Future work may focus on refining the model further and exploring its applicability across diverse datasets and imaging modalities.