DOI: https://doi.org/10.1038/s41598-026-43329-7
PMID: https://pubmed.ncbi.nlm.nih.gov/41803423
تاريخ النشر: 2026-03-09
المؤلف: Manoj Kumar وآخرون
الموضوع الرئيسي: كشف وتصنيف أورام الدماغ
نظرة عامة
تقدم ورقة البحث إطار عمل هجين جديد، وهو مُحسّن أكويلا – تحسين صقور هاريس (AO-HHO)، يهدف إلى تحسين ضبط المعلمات الفائقة للشبكات العصبية التلافيفية (CNNs) لتصنيف صور الرنين المغناطيسي للدماغ. تتناول الدراسة التحديات مثل عدم توازن البيانات والمتطلبات الحسابية لتحسين المعلمات الفائقة، والتي تعتبر حاسمة في اتخاذ القرارات السريرية. يجمع إطار عمل AO-HHO بين قدرات الاستكشاف العالمية لمُحسّن أكويلا مع نقاط القوة في الاستغلال المحلي لتحسين صقور هاريس، مما يؤدي إلى عملية تحسين أكثر توازنًا وقوة.
تم تقييم الطريقة المقترحة على مجموعة بيانات تتكون من 7,023 صورة رنين مغناطيسي للدماغ، مصنفة إلى فئات الغليوما، والورم السحائي، وورم الغدة النخامية، والفئات غير الورمية. أظهر CNN المُعدل بواسطة AO-HHO أداءً متفوقًا، محققًا دقة تصل إلى 87.34%، بالإضافة إلى دقة عالية، واسترجاع، ومقاييس F1-score، متفوقًا بشكل كبير على الخوارزميات التقليدية مثل تحسين سرب الجسيمات (PSO)، والخوارزمية الجينية (GA)، وخوارزمية تحسين الحوت (WOA)، التي حققت دقة تتراوح بين 78-83%. بالإضافة إلى ذلك، قلل إطار عمل AO-HHO من وقت التدريب إلى 77.85 ثانية، مقارنة بأكثر من 300 ثانية للمحسنات الأساسية، مما يبرز إمكاناته لتطبيقات التصوير الطبي في الوقت الحقيقي حيث يكون اتخاذ القرارات السريعة والموثوقة أمرًا أساسيًا.
مقدمة
في مقدمة ورقة البحث، يؤكد المؤلفون على أهمية الدقة والكفاءة الحسابية في تعلم الآلة الحديث، خاصة مع تعقيد النماذج وزيادة كثافة البيانات. يسلطون الضوء على التحديات المرتبطة بضبط المعلمات الفائقة، وهو أمر حاسم لأداء النموذج، حيث يمكن أن يؤدي الضبط السيئ إلى مشاكل مثل نقص التوافق أو الإفراط في التوافق. أصبحت طرق التحسين التقليدية غير كافية بشكل متزايد بسبب العدد المتزايد من المعلمات الفائقة، مما يستدعي اعتماد طرق تحسين المعلمات الفائقة الآلية (HPO). تقدم هذه الطرق، وخاصة تلك المعتمدة على الخوارزميات الميتاهيرستية، بحثًا منظمًا في الفضاءات عالية الأبعاد ولكنها غالبًا ما تواجه صعوبات في سرعة التقارب وتعقيد الحساب، خاصة في التطبيقات الحساسة مثل تحليل الصور الطبية.
لمعالجة هذه التحديات، يقترح المؤلفون إطار عمل تحسين هجين جديد يجمع بين مُحسّن أكويلا (AO) وتحسين صقور هاريس (HHO). يُلاحظ أن AO يتمتع بقدرات استكشاف عالمية قوية، تساعد في التنقل في فضاءات التحسين عالية الأبعاد، بينما يعزز HHO الاستغلال المحلي من خلال انتقالات قائمة على الطاقة التكيفية. يهدف هذا الجمع إلى تحسين المعلمات الفائقة بشكل فعال، مما يضمن تقاربًا سريعًا ومتسقًا، وهو أمر حاسم لتطبيقات مثل تصنيف أورام الدماغ في البيئات السريرية. يسعى خوارزم AO-HHO المقترح للاستفادة من نقاط القوة لكلا المحسنين لتحسين الأداء في مهام تعلم الآلة المعقدة.
طرق
تقدم المنهجية المقترحة في هذه الدراسة إطار عمل لتصنيف الصور يستخدم نهجًا هجينًا ميتاهيرستيكيًا، يجمع بشكل خاص بين مُحسّن أكويلا مع تحسين صقور هاريس (AO-HHO)، لتحسين المعلمات الفائقة للشبكات العصبية التلافيفية (CNNs). يشمل الإطار عدة مكونات رئيسية، بما في ذلك إعداد البيانات، وبناء النموذج، وتنفيذ تقنية التحسين الهجينة.
بالإضافة إلى ذلك، تحدد المنهجية سير عمل قائم على الخوارزميات يضمن صياغة الأهداف بوضوح وتقييمها. تم تصميم هذا النهج ليكون قابلًا للتفسير، ودقيقًا تقنيًا، وقابلًا للتكرار، مما يعزز موثوقية وقابلية تطبيق عملية تصنيف الصور.
نتائج
تقيّم قسم النتائج أداء مُحسّن أكويلا (AO) وتحسين صقور هاريس (HHO) المُعدل للشبكة العصبية التلافيفية (CNN) لتصنيف أورام الدماغ. تم اختبار النموذج على مجموعة بيانات تتكون من 7,023 صورة رنين مغناطيسي للدماغ، والتي تم تصنيفها إلى أربع فئات: الغليوما، والورم السحائي، وورم الغدة النخامية، وعدم وجود ورم. تشير النتائج إلى أن CNN المُعدل بواسطة AO-HHO تفوق على الطرق التقليدية من حيث دقة التصنيف، والموثوقية، والكفاءة الحسابية.
تسلط التحليلات الضوء على فعالية المحسن الهجين في التنقل في فضاء بحث المعلمات الفائقة، مما ساهم في تحسين سلوك التقارب وأداء التصنيف. كما أوضحت دراسة الإزالة المساهمات الفردية لكل من AO وHHO في الأداء العام للنموذج. تؤكد النتائج على إمكانات CNN المُعدل بواسطة AO-HHO في تعزيز دقة تصنيف أورام الدماغ، كما يتضح من مصفوفات الالتباس المقدمة.
مناقشة
يسلط قسم المناقشة في ورقة البحث الضوء على تطوير وتطبيق إطار عمل تحسين هجين جديد، يجمع بين مُحسّن أكويلا (AO) وتحسين صقور هاريس (HHO)، لتعزيز ضبط المعلمات الفائقة للشبكات العصبية التلافيفية (CNNs) لتصنيف أورام الدماغ باستخدام صور الرنين المغناطيسي. يستفيد هذا النهج الهجين من قدرات البحث العالمية لـ AO ونقاط القوة في الاستغلال المحلي لـ HHO، مما يؤدي إلى تحسين معدلات التقارب، والاستقرار، وأداء التحسين العام مقارنة بالطرق الميتاهيرستية التقليدية. تتناول الدراسة تحديات كبيرة في تحسين المعلمات الفائقة لـ CNN، مثل التشابه بين الفئات وعدم توازن البيانات، بهدف تحقيق دقة تصنيف أعلى، وتقليل وقت التدريب، وتقليل التكاليف الحسابية.
تشير النتائج إلى أن إطار عمل AO-HHO يتفوق على تقنيات التحسين الأخرى، بما في ذلك تحسين سرب الجسيمات (PSO)، والخوارزمية الجينية (GA)، وخوارزمية تحسين الحوت (WOA)، من حيث الدقة، والدقة، والاسترجاع، ومقياس F1-score. يتم اختبار الصلاحية الإحصائية والثبات للطريقة المقترحة بدقة من خلال تنفيذات مستقلة متعددة وتقييمات الأهمية. لا تساهم هذه الأبحاث فقط في مجال التصوير الطبي من خلال توفير أداة قوية لتحسين المعلمات الفائقة، ولكنها أيضًا تعالج الحاجة الملحة لطرق حسابية فعالة في التطبيقات الطبية الحساسة للوقت. توضح الورقة اتجاهات البحث المستقبلية وتفصل أكثر في المنهجية، ومراجعة الأدبيات، والنتائج التجريبية في الأقسام التالية.
DOI: https://doi.org/10.1038/s41598-026-43329-7
PMID: https://pubmed.ncbi.nlm.nih.gov/41803423
Publication Date: 2026-03-09
Author(s): Manoj Kumar et al.
Primary Topic: Brain Tumor Detection and Classification
Overview
The research paper presents a novel hybrid framework, the Aquila Optimizer-Harris Hawks Optimization (AO-HHO), aimed at enhancing the hyperparameter tuning of convolutional neural networks (CNNs) for brain MRI image classification. The study addresses challenges such as data imbalance and the computational demands of hyperparameter optimization, which are critical in clinical decision-making. The AO-HHO framework combines the global exploration capabilities of the Aquila Optimizer with the local exploitation strengths of Harris Hawks Optimization, resulting in a more balanced and robust optimization process.
The proposed method was evaluated on a dataset of 7,023 brain MRI images, categorized into glioma, meningioma, pituitary tumor, and non-tumor classes. The AO-HHO-tuned CNN demonstrated superior performance, achieving an accuracy of 87.34%, along with high precision, recall, and F1-score metrics, significantly outperforming traditional metaheuristic algorithms such as Particle Swarm Optimization (PSO), Genetic Algorithm (GA), and Whale Optimization Algorithm (WOA), which yielded accuracies between 78-83%. Additionally, the AO-HHO framework reduced training time to 77.85 seconds, compared to over 300 seconds for baseline optimizers, highlighting its potential for real-time medical imaging applications where quick and reliable decision-making is essential.
Introduction
In the introduction of the research paper, the authors emphasize the importance of accuracy and computational efficiency in modern machine learning, particularly as models become more complex and data-intensive. They highlight the challenges associated with hyperparameter tuning, which is crucial for model performance, as poor tuning can lead to issues such as underfitting or overfitting. Traditional optimization methods are increasingly inadequate due to the growing number of hyperparameters, necessitating the adoption of automated hyperparameter optimization (HPO) methods. These methods, particularly those based on metaheuristic algorithms, offer structured searches in high-dimensional spaces but often struggle with convergence speed and computational complexity, especially in sensitive applications like medical image analysis.
To address these challenges, the authors propose a novel hybrid optimization framework that combines the Aquila Optimizer (AO) and Harris Hawk Optimization (HHO). The AO is noted for its strong global exploration capabilities, which help navigate high-dimensional optimization spaces, while HHO enhances local exploitation through adaptive energy-based transitions. This combination aims to optimize hyperparameters effectively, ensuring fast and consistent convergence, which is critical for applications such as brain tumor classification in clinical settings. The proposed AO-HHO algorithm seeks to leverage the strengths of both optimizers to improve performance in complex machine learning tasks.
Methods
The proposed methodology in this study introduces an image classification framework that employs a hybrid metaheuristic approach, specifically combining the Aquila Optimizer with Harris Hawks Optimization (AO-HHO), to optimize the hyperparameters of Convolutional Neural Networks (CNNs). The framework encompasses several key components, including data preparation, model construction, and the implementation of the hybrid optimization technique.
Additionally, the methodology outlines an algorithms-based workflow that ensures the objectives are clearly formulated and evaluated. This approach is designed to be explainable, technically rigorous, and reproducible, thereby enhancing the reliability and applicability of the image classification process.
Results
The results section evaluates the performance of the proposed Aquila Optimizer (AO) and Harris Hawks Optimization (HHO)-optimized Convolutional Neural Network (CNN) for brain tumor classification. The model was tested on a dataset of 7,023 brain MRI images, which were classified into four categories: glioma, meningioma, pituitary tumor, and no tumor. The findings indicate that the AO-HHO-tuned CNN outperformed traditional methods in terms of classification accuracy, robustness, and computational efficiency.
The analysis highlights the effectiveness of the hybrid optimizer in navigating the hyperparameter search space, which contributed to improved convergence behavior and classification performance. An ablation study further elucidated the individual contributions of AO and HHO to the overall model performance. The results underscore the potential of the AO-HHO-optimized CNN in enhancing brain tumor classification accuracy, as evidenced by the presented confusion matrices.
Discussion
The discussion section of the research paper highlights the development and application of a novel hybrid optimization framework, combining the Aquila Optimizer (AO) and Harris Hawks Optimization (HHO), to enhance the hyperparameter tuning of Convolutional Neural Networks (CNNs) for brain tumor classification using MRI scans. This hybrid approach leverages the global search capabilities of AO and the local exploitation strengths of HHO, resulting in improved convergence rates, stability, and overall optimization performance compared to traditional metaheuristic methods. The study addresses significant challenges in CNN hyperparameter optimization, such as interclass similarity and data imbalance, aiming to achieve higher classification accuracy, reduced training time, and lower computational costs.
The findings indicate that the AO-HHO framework outperforms other optimization techniques, including Particle Swarm Optimization (PSO), Genetic Algorithm (GA), and Whale Optimization Algorithm (WOA), in terms of accuracy, precision, recall, and F1-score. The statistical validity and stability of the proposed method are rigorously tested through multiple independent executions and significance assessments. This research not only contributes to the field of medical imaging by providing a robust tool for hyperparameter optimization but also addresses the pressing need for efficient computational methods in time-sensitive medical applications. The paper outlines future research directions and further elaborates on the methodology, literature review, and experimental results in subsequent sections.