DOI: https://doi.org/10.47738/jads.v7i1.1018
تاريخ النشر: 2026-01-01
المؤلف: Budi Warsito
الموضوع الرئيسي: كشف وتصنيف أورام الدماغ
نظرة عامة
تبحث هذه الدراسة في نهج تعلم الآلة الخفيف لتصنيف الأورام الدماغية متعددة الفئات باستخدام صور الرنين المغناطيسي. تستخدم الدراسة هيستوجرام التدرجات الموجهة (HOG) لاستخراج الميزات ومصنف آلة الدعم الشعاعي (SVM)، مستفيدة من مجموعة بيانات تصنيف أورام الدماغ من كاجل، والتي تتضمن 2870 صورة تدريب و394 صورة اختبار عبر أربع فئات من الأورام: الدبقية، السحائية، ورم الغدة النخامية، وعدم وجود ورم. بعد معالجة الصور إلى تدرج الرمادي وإعادة تحجيمها إلى 16×16 بكسل، يتم استخراج ميزات HOG وتقليلها باستخدام تحليل المكونات الرئيسية (PCA) للاحتفاظ بـ 98% من التباين. حقق نموذج SVM ذو النواة متعددة الحدود مع أوزان الفئات المخصصة دقة اختبار بلغت 91.8% (95% CI: 90.9-92.7) ودرجة F1 بلغت 0.919 ± 0.01، متفوقًا على نموذج SVM غير الموزون.
تسلط النتائج الضوء على فعالية نهج HOG+SVM، خاصة في معالجة عدم توازن الفئات من خلال الوزن المخصص، مما حسّن بشكل كبير الحساسية تجاه فئات الأورام الأقل تمثيلاً. تظهر هذه الطريقة أن تقنيات تعلم الآلة التقليدية يمكن أن تنافس نماذج التعلم العميق، خاصة في السيناريوهات التي تحتوي على بيانات محدودة. تؤكد الدراسة على الأهمية السريرية للنهج المقترح بسبب شفافيتها، وانخفاض تكلفتها الحاسوبية، وإمكانية دمجها في أنظمة دعم القرار. تشمل اتجاهات البحث المستقبلية مقارنة خط أنابيب HOG+SVM مع الشبكات العصبية التلافيفية الخفيفة، واستكشاف نماذج هجينة تجمع بين ميزات التعلم العميق والوصف اليدوي، وتعزيز القابلية للتفسير من خلال أدوات التصور.
مقدمة
تناقش مقدمة ورقة البحث الأهمية الحاسمة للكشف المبكر والدقيق عن الأورام الدماغية، التي يمكن أن تكون حميدة أو خبيثة، حيث أن التدخل في الوقت المناسب يعزز بشكل كبير معدلات بقاء المرضى. يتم تسليط الضوء على التصوير بالرنين المغناطيسي (MRI) كأداة تشخيصية غير جراحية الأكثر فعالية بسبب تباين الأنسجة الرخوة المتفوق، على الرغم من أن تفسير صور الرنين المغناطيسي لا يزال يمثل تحديًا، خاصة بالنسبة للاختلافات الدقيقة بين أنواع الأورام. لمعالجة هذه التحديات، أظهرت أنظمة تصنيف الصور الآلية، وخاصة تلك التي تستخدم تقنيات التعلم العميق مثل الشبكات العصبية التلافيفية (CNNs)، دقة عالية (95-99%) في تصنيف الأورام الدماغية. ومع ذلك، فإن الاعتماد على مجموعات بيانات موسومة كبيرة وموارد حاسوبية كبيرة يحد من قابليتها للتطبيق في البيئات ذات الموارد المحدودة.
بالمقابل، تقدم طرق تعلم الآلة التقليدية، وبشكل خاص آلات الدعم الشعاعي (SVM) المدمجة مع ميزات مصممة مثل هيستوجرام التدرجات الموجهة (HOG)، بديلاً قابلاً للتطبيق. تلتقط HOG بفعالية المعلومات الأساسية عن الحواف والأشكال بينما تكون ذات أبعاد منخفضة، مما يجعلها مناسبة لمجموعات البيانات الأصغر. أظهرت الدراسات السابقة فعالية خطوط أنابيب SVM+HOG، محققة معدلات دقة ملحوظة وتؤكد على أهمية معالجة عدم توازن الفئات في مجموعات البيانات. تهدف الدراسة الحالية إلى استكشاف إمكانيات ميزات HOG، جنبًا إلى جنب مع تحليل المكونات الرئيسية (PCA) لتقليل الأبعاد وSVM الموزون بالفئات، لتحقيق تصنيف قوي وقابل للتفسير للأورام الدماغية متعددة الفئات. الهدف هو توضيح أنه مع هندسة الميزات المناسبة والتعديل، يمكن أن تحقق SVM مستويات دقة قابلة للمقارنة مع نماذج التعلم العميق مع الحفاظ على البساطة والكفاءة الحاسوبية، مما يعزز الأهمية السريرية في أنظمة دعم القرار.
الطرق
في هذا القسم، يقيم المؤلفون أداء طريقتهم المقترحة، التي تجمع بين ميزات هيستوجرام التدرجات الموجهة (HOG) مع آلة الدعم الشعاعي متعددة الحدود الموزونة (SVM)، مقابل عدة مصنفات تقليدية على نفس مجموعة البيانات. تشير النتائج، الملخصة في الجدول 3، إلى أن طريقة HOG + SVM متعددة الحدود الموزونة حققت مقاييس متفوقة: دقة 91.88%، دقة 92.34%، استرجاع 91.88%، ودرجة F1 بلغت 91.91%. يتجاوز هذا الأداء بشكل ملحوظ أداء النماذج الأخرى، بما في ذلك LightGBM وXGBoost، التي سجلت دقة بلغت 85.60% و85.45%، على التوالي. بينما تم تطبيق تعديل بسيط للمعلمات الفائقة على النماذج الأساسية، ساهم التحسين الدقيق للطريقة المقترحة بشكل كبير في أدائها المحسن، خاصة بسبب فعالية النواة متعددة الحدود في نمذجة العلاقات غير الخطية واستخدام وزن الفئات للتخفيف من عدم توازن مجموعة البيانات.
على الرغم من الأداء القوي للطريقة المقترحة، إلا أنها لا تزال أقل قليلاً من نماذج التعلم العميق المتطورة لتصنيف الرنين المغناطيسي للدماغ، التي حققت دقة تتجاوز 99%. ومع ذلك، يبرز المؤلفون أن نتائج طريقتهم التنافسية تم الحصول عليها دون زيادة البيانات ومع مجموعة تدريب صغيرة نسبيًا من 2,870 عينة، مما يجعلها قاعدة قابلة للتطبيق لتصنيف الأورام الدماغية. يقترح المؤلفون أنه يمكن تحقيق تحسينات إضافية من خلال دمج ميزات إضافية، مثل الأنماط الثنائية المحلية (LBP)، أو تحسين حجم خلية HOG. كما يشيرون إلى مشكلة محتملة في الإفراط في التكيف تشير إليها دقة التدريب العالية، موصين باستخدام التحقق المتقاطع k-fold أو مجموعات التحقق لتعزيز التعميم.
النتائج
تظهر نتائج الدراسة فعالية نهج HOG+SVM المقترح في تصنيف أنواع الأورام، كما يتضح من تحليل مفصل لمصفوفات الالتباس. أظهرت آلة الدعم الشعاعي متعددة الحدود القياسية ونموذج “أفضل معلمة فائقة” SVM متعددة الحدود تحيزًا نحو فئة الدبقية، حيث تم تصنيف عدد كبير من الأورام النخامية (الفئة 3) بشكل خاطئ على أنها دبقية، مع 46 و49 تصنيفًا خاطئًا، على التوالي. على الرغم من أن النموذج الأساسي حقق 98 توقعًا صحيحًا للدبقية (الفئة 0)، إلا أنه واجه صعوبة مع الأورام النخامية، حيث تم التعرف على 25 منها بشكل صحيح فقط.
بالمقابل، أظهرت SVM متعددة الحدود الموزونة تحسينًا ملحوظًا، حيث أسفرت عن مصفوفة التباس اقتربت من الهيمنة القطرية. حافظت على دقة عالية للدبقية مع 92 توقعًا صحيحًا، بينما حققت أيضًا 109 توقعات صحيحة للسحائية (الفئة 1) و104 لعدم وجود ورم (الفئة 2). ومن الجدير بالذكر أن الكشف عن الأورام النخامية تحسن بشكل كبير، حيث ارتفعت التعريفات الصحيحة من 25 إلى 57، مما أدى إلى مضاعفة الدقة لهذه الفئة وتقليل التصنيفات الخاطئة كدبقية. تشير هذه النتائج إلى أن دمج أوزان الفئات أعاد توازن الحدود القرار بشكل فعال، وزاد الحساسية للفئات الممثلة تمثيلاً ناقصًا، وقلل من الإيجابيات الخاطئة، كل ذلك مع الحفاظ على الدقة. ساهمت قدرة النواة متعددة الحدود على نمذجة التفاعلات غير الخطية للميزات في مساحة HOG ومزايا تقليل الضوضاء لـ PCA في الأداء القوي لـ SVM الموزون عبر جميع فئات الأورام.
المناقشة
تسلط قسم المناقشة في ورقة البحث الضوء على فعالية آلة الدعم الشعاعي (SVM) وهيستوجرام التدرجات الموجهة (HOG) في تصنيف الأورام الدماغية من صور الرنين المغناطيسي. تُعرف SVM بقدرتها على إدارة مجموعات بيانات صغيرة وعالية الأبعاد ومرونتها في السيناريوهات التي تعاني من عدم توازن الفئات، خاصة عند دمجها مع عقوبات موزونة للفئات. تشير الأدبيات إلى أن النماذج الهجينة التي تدمج الشبكات العصبية التلافيفية لاستخراج الميزات مع مصنفات SVM يمكن أن تحقق دقة قابلة للمقارنة مع خطوط أنابيب CNN الكاملة بينما تكون أكثر كفاءة من الناحية الحاسوبية. لقد أثبتت HOG، وهي موصوفة للميزات تلتقط اتجاهات التدرجات، فعاليتها في تحديد حدود الأورام في صور الرنين المغناطيسي، مما يعزز أداء التصنيف عند اقترانها بتقنيات تعلم الآلة.
تؤكد نتائج الدراسة على أهمية معالجة عدم توازن الفئات من خلال أوزان الفئات المخصصة، مما حسّن بشكل كبير الاسترجاع للفئات الأقل تمثيلاً، وخاصة الدبقية. حقق خط أنابيب HOG+SVM دقة بلغت 91.8%، مما يظهر أن طرق تعلم الآلة التقليدية يمكن أن تنافس الأساليب العميقة، خاصة في البيئات ذات الموارد المحدودة. تم تبرير اختيار نواة متعددة الحدود بدلاً من RBF من خلال استقرارها وقدرتها الأفضل على التعامل مع الانفصالات غير الخطية في مساحة الميزات. تؤكد الدراسة على الأهمية السريرية للنهج، داعية إلى دمجه في سير العمل الطبي بسبب قابليته للتفسير واحتياجاته الحاسوبية المنخفضة. يُقترح العمل المستقبلي لاستكشاف النماذج الهجينة واستراتيجيات نقل التعلم لتعزيز أداء التصنيف بشكل أكبر.
DOI: https://doi.org/10.47738/jads.v7i1.1018
Publication Date: 2026-01-01
Author(s): Budi Warsito
Primary Topic: Brain Tumor Detection and Classification
Overview
This research investigates a lightweight machine learning approach for the multiclass classification of brain tumors using MRI images. The study employs Histogram of Oriented Gradients (HOG) for feature extraction and a Support Vector Machine (SVM) classifier, utilizing the Brain Tumor Classification MRI Kaggle dataset, which includes 2870 training and 394 testing images across four tumor classes: glioma, meningioma, pituitary tumor, and no tumor. After preprocessing the images to grayscale and resizing them to 16×16 pixels, HOG features are extracted and reduced using Principal Component Analysis (PCA) to retain 98% of the variance. The optimized polynomial-kernel SVM with custom class weights achieved a test accuracy of 91.8% (95% CI: 90.9-92.7) and an F1-score of 0.919 ± 0.01, outperforming the unweighted SVM model.
The findings highlight the effectiveness of the HOG+SVM approach, particularly in addressing class imbalance through custom weighting, which significantly improved sensitivity to minority tumor classes. This method demonstrates that classical machine learning techniques can compete with deep learning models, especially in scenarios with limited data. The study emphasizes the clinical relevance of the proposed approach due to its transparency, low computational cost, and potential for integration into decision support systems. Future research directions include comparing the HOG+SVM pipeline with lightweight CNNs, exploring hybrid models that combine deep learning features with handcrafted descriptors, and enhancing interpretability through visualization tools.
Introduction
The introduction of the research paper discusses the critical importance of early and accurate detection of brain tumors, which can be benign or malignant, as timely intervention significantly enhances patient survival rates. Magnetic Resonance Imaging (MRI) is highlighted as the most effective non-invasive diagnostic tool due to its superior soft-tissue contrast, although interpreting MRI scans remains challenging, particularly for subtle differences among tumor types. To address these challenges, automated image classification systems, particularly those utilizing deep learning techniques like Convolutional Neural Networks (CNNs), have shown high accuracy (95-99%) in brain tumor classification. However, the reliance on large annotated datasets and substantial computational resources limits their applicability in resource-constrained environments.
In contrast, classical machine learning methods, specifically Support Vector Machines (SVMs) combined with engineered features such as Histogram of Oriented Gradients (HOG), present a viable alternative. HOG effectively captures essential edge and shape information while being low-dimensional, making it suitable for smaller datasets. Prior studies have demonstrated the efficacy of SVM+HOG pipelines, achieving notable accuracy rates and emphasizing the importance of addressing class imbalance in datasets. The current study aims to explore the potential of HOG features, alongside Principal Component Analysis (PCA) for dimensionality reduction and class-weighted SVM, to achieve robust and interpretable multi-class brain tumor classification. The goal is to illustrate that with appropriate feature engineering and tuning, SVM can achieve accuracy levels comparable to deep learning models while maintaining simplicity and computational efficiency, thereby enhancing clinical relevance in decision support systems.
Methods
In this section, the authors evaluate the performance of their proposed method, combining Histogram of Oriented Gradients (HOG) features with a Weighted Polynomial Support Vector Machine (SVM), against several traditional classifiers on the same dataset. The results, summarized in Table 3, indicate that the HOG + Weighted Polynomial SVM method achieved superior metrics: an accuracy of 91.88%, precision of 92.34%, recall of 91.88%, and an F1-score of 91.91%. This performance notably exceeds that of other models, including LightGBM and XGBoost, which recorded accuracies of 85.60% and 85.45%, respectively. While basic hyperparameter tuning was applied to baseline models, the rigorous optimization of the proposed method contributed significantly to its enhanced performance, particularly due to the polynomial kernel’s effectiveness in modeling non-linear relationships and the use of class weighting to mitigate dataset imbalance.
Despite the strong performance of the proposed method, it remains slightly below state-of-the-art deep learning models for brain MRI classification, which have achieved accuracies exceeding 99%. However, the authors highlight that their method’s competitive results were obtained without data augmentation and with a relatively small training set of 2,870 samples, positioning it as a viable baseline for brain tumor classification. The authors suggest that further improvements could be achieved by incorporating additional features, such as Local Binary Patterns (LBP), or optimizing the HOG cell size. They also note a potential overfitting issue indicated by high training accuracy, recommending the use of k-fold cross-validation or validation sets to enhance generalization.
Results
The results of the study demonstrate the effectiveness of the proposed HOG+SVM approach in classifying tumor types, as evidenced by a detailed analysis of confusion matrices. The standard polynomial SVM and the baseline “best hyperparameter” polynomial SVM exhibited a bias towards the glioma class, misclassifying a significant number of pituitary tumors (class 3) as glioma, with 46 and 49 misclassifications, respectively. Although the baseline model achieved 98 correct predictions for glioma (class 0), it struggled with pituitary tumors, identifying only 25 correctly.
In contrast, the class-weighted polynomial SVM showed marked improvement, yielding a confusion matrix that approached diagonal dominance. It maintained high accuracy for glioma with 92 correct predictions, while also achieving 109 correct for meningioma (class 1) and 104 for no-tumor (class 2). Notably, the detection of pituitary tumors improved significantly, with correct identifications rising from 25 to 57, effectively doubling the accuracy for this category and reducing misclassifications as glioma. These findings indicate that incorporating class weights effectively rebalanced decision boundaries, enhanced sensitivity for underrepresented classes, and minimized false negatives, all while maintaining precision. The combination of the polynomial kernel’s capacity to model non-linear feature interactions in HOG space and the noise-reduction advantages of PCA contributed to the robust performance of the weighted SVM across all tumor categories.
Discussion
The discussion section of the research paper highlights the effectiveness of Support Vector Machine (SVM) and Histogram of Oriented Gradients (HOG) in the classification of brain tumors from MRI scans. SVM is noted for its ability to manage small, high-dimensional datasets and its robustness in scenarios with class imbalance, particularly when combined with class-weighted penalties. The literature indicates that hybrid models integrating CNNs for feature extraction with SVM classifiers can achieve comparable accuracy to full CNN pipelines while being more computationally efficient. HOG, a feature descriptor that captures gradient orientations, has proven effective in identifying tumor boundaries in MRI images, enhancing classification performance when paired with machine learning techniques.
The study’s findings underscore the importance of addressing class imbalance through custom class weights, which significantly improved recall for minority classes, particularly gliomas. The proposed HOG+SVM pipeline achieved an accuracy of 91.8%, demonstrating that classical machine learning methods can compete with deep learning approaches, especially in resource-constrained environments. The choice of a polynomial kernel over RBF was justified by its stability and better handling of non-linear separations in the feature space. The research emphasizes the clinical relevance of the approach, advocating for its integration into medical workflows due to its interpretability and low computational demands. Future work is suggested to explore hybrid models and transfer learning strategies to further enhance classification performance.