DOI: https://doi.org/10.3389/fonc.2024.1335740
PMID: https://pubmed.ncbi.nlm.nih.gov/38390266
تاريخ النشر: 2024-02-08
المؤلف: Muhammad Sami Ullah وآخرون
الموضوع الرئيسي: كشف وتصنيف أورام الدماغ
نظرة عامة
تناقش ورقة البحث التحديات المتعلقة بتصنيف أورام الدماغ باستخدام التصوير بالرنين المغناطيسي (MRI)، مع التأكيد على الطبيعة الحرجة للتشخيص الدقيق لنتائج المرضى. تسلط الضوء على قيود التقنيات الحالية التي غالبًا ما تتجاهل الميزات المهمة لصالح طرق التعلم العميق التي تركز على استخراج الخصائص البارزة. لمواجهة مشكلة عدم توازن مجموعات البيانات، التي يمكن أن تحيز أداء المصنف نحو الفئة الغالبة، يقترح المؤلفون نموذج تعلم عميق آلي مع إطار عمل مثالي لدمج المعلومات. يستخدم هذا الإطار مشفرًا تلقائيًا نادرًا لتوليد صور اصطناعية، مما يعالج عدم توازن مجموعة البيانات، ويستخدم تحسين بايزي لضبط المعلمات الفائقة لشبكتين عصبيتين معدلتين مسبقًا.
يتضمن الإطار المقترح خوارزمية تحسين المفترس البحري المعتمدة على نظرية الكم (QTbMPA) المحسّنة لاختيار الميزات، مما يقلل بشكل كبير من الوقت الحاسوبي بحوالي 300% مع الحفاظ على دقة تصنيف عالية. حقق النموذج دقة مثيرة للإعجاب بلغت 99.80% على مجموعة البيانات المعززة، متجاوزًا التقنيات الحديثة. تشير النتائج إلى أن هذا النموذج للتعلم العميق يمكن أن يعزز دقة التشخيص في علم الأورام العصبية، مما يساعد الأطباء في الكشف المبكر عن أورام الدماغ وتطوير خطط علاج شخصية. بشكل عام، تقدم الدراسة نهجًا واعدًا لتحسين تصنيف أورام الدماغ، مما قد يؤدي إلى تحسين نتائج المرضى وتقليل مخاطر التشخيص الخاطئ.
مقدمة
تسلط مقدمة ورقة البحث الضوء على القضية الحرجة لأورام الدماغ، التي تُعتبر من بين أخطر الاضطرابات العصبية. تميز بين أورام الدماغ الأولية، التي تبقى في الغالب محلية داخل الدماغ، والأورام الثانوية التي تنتشر من أعضاء أخرى. تصنف منظمة الصحة العالمية (WHO) الأورام الدبقية الخبيثة إلى أورام من الدرجة الرابعة، مثل الورم الدبقي متعدد الأشكال (GBM)، وأورام من الدرجة الثالثة، بما في ذلك أشكال مختلفة من الأورام غير النمطية. يُلاحظ أن GBM هو أكثر أورام الدماغ الخبيثة شيوعًا، مع حدوث 3.19 حالة لكل 100,000 شخص سنويًا، ويؤثر بشكل غير متناسب على الرجال والأفراد البيض. الأورام السحائية، وهي أكثر أورام الجهاز العصبي المركزي الأولية شيوعًا، تعتبر في الغالب حميدة ولكن يمكن أن تظهر خصائص غير نمطية أو غير نمطية.
تؤكد الورقة على التحديات التي يواجهها أطباء الأشعة والأطباء في الكشف عن أورام الدماغ من خلال التصوير الطبي، وخاصة التصوير بالرنين المغناطيسي، الذي يعد ضروريًا للتشخيص. يتم تقديم مجموعة بيانات متاحة للجمهور تحتوي على 3,064 صورة MRI معززة بالتباين من 233 مريضًا، تضم أنواعًا مختلفة من الأورام. يُلاحظ الاهتمام المتزايد بتقنيات الرؤية الحاسوبية والتعلم العميق، حيث أظهرت هذه الطرق وعدًا في تعزيز دقة تصنيف واكتشاف أورام الدماغ، مما يسهل التشخيص غير الجراحي ويحسن نتائج المرضى.
طرق
تشمل المنهجية المقترحة لتصنيف أورام الدماغ عدة مراحل رئيسية، تبدأ بمعالجة مجموعة بيانات أورام الدماغ من Figshare. خطوة حاسمة في هذه المرحلة هي تحسين التباين، المطبق من خلال تقنية إحصائية لتحسين جودة الصور ذات التباين المنخفض. لمعالجة عدم توازن الفئات في مجموعة البيانات، يتم إجراء زيادة البيانات باستخدام مشفرات تلقائية نادرة، تركز على الاحتفاظ بالميزات المهمة مع التخلص من الميزات الأقل أهمية. يتم ضبط نموذجين مسبقًا، InceptionResNetV2 و EfficientNetB0، باستخدام معلمات فائقة محسّنة ديناميكيًا من خلال تحسين قائم على بايزي. يتم إجراء استخراج الميزات على النماذج المحسّنة، تليها مزيد من التحسين باستخدام خوارزمية المفترسين البحريين (MPA) قبل التصنيف النهائي.
توضح إعدادات التجربة تنفيذ زيادة البيانات عبر مشفر تلقائي نادر مع طبقة مخفية واحدة تحتوي على 300 خلية عصبية. تشمل معلمات التدريب حدًا أقصى يبلغ 2,000 دورة، وتثبيت وزن L2 مضبوط على 0.001، وتثبيت ندره عند 4، ونسبة ندره تبلغ 0.15. يتم تقسيم مجموعة البيانات بالتساوي إلى مجموعات التدريب والاختبار، مع استخدام الصور المعززة للتدريب. يسرع الانحدار العشوائي مع الزخم (SGDM) متجهات التدرج لتحقيق تقارب أسرع في الطبقات التلافيفية، مستخدمًا حجم دفعة صغيرة يبلغ 128. تُجرى التجارب باستخدام MATLAB R2023a على جهاز عالي الأداء مزود بـ 128 جيجابايت من الذاكرة العشوائية و معالج Intel Core i7-6700، بالإضافة إلى بطاقة رسومات RTX3000 بسعة 12 جيجابايت.
نتائج
في هذا القسم، يتم تفصيل النتائج من الخطوة الأولية للإطار المقترح، مع التركيز على النماذج المعدلة بدقة. تم إجراء تحسين المعلمات الفائقة باستخدام نهج بايزي لكل من نماذج EfficientNetB0 و InceptionResNetV2. يتم تقديم النتائج العددية التي تم الحصول عليها من هذه العملية التحسينية، مع تسليط الضوء على فعالية المنهجية المقترحة في تعزيز أداء النموذج. ستوضح التحليلات والمناقشات الإضافية لهذه النتائج آثارها على الخطوات اللاحقة في الإطار.
مناقشة
في هذا القسم، يتناول المؤلفون التحديات المرتبطة بالحصول على صور MRI، وخاصة فقدان المعلومات الذي يؤثر على وضوح الميزات ودقة التصنيف في الكشف عن أورام الدماغ. يقترحون إطار عمل هجين للتعلم العميق يتضمن تقنيات متقدمة مثل الشبكات التنافسية التوليدية (GANs) وخوارزميات اختيار الميزات مثل تحسين بايزي (BO) وخوارزمية تحسين المفترس البحري المعتمدة على نظرية الكم (QTbMPA). يهدف الإطار إلى تعزيز التباين في صور MRI وتخفيف عدم توازن الفئات من خلال زيادة البيانات، باستخدام مشفر تلقائي نادر لتوليد عينات تدريب جديدة. يبرز المؤلفون أهمية تحسين المعلمات الفائقة لضبط النماذج المدربة مسبقًا الخفيفة، والتي يتم تدريبها بعد ذلك على مجموعة بيانات متوازنة لتحسين أداء التصنيف.
تكشف مراجعة الأدبيات عن مجموعة متنوعة من طرق التصنيف الحالية لأورام الدماغ باستخدام التعلم العميق، مع دقة ملحوظة تم تحقيقها عبر نماذج مختلفة. ومع ذلك، تعاني العديد من الأساليب من مشكلات مثل عدم توازن الفئات، والتكيف الزائد، وفقدان المعلومات المكانية بسبب تقليل الأبعاد. تشمل مساهمات المؤلفين تطوير مشفر تلقائي نادر لزيادة البيانات، وضبط دقيق لنماذج التعلم العميق، وتنفيذ تقنية تحسين بايزي لاختيار المعلمات الفائقة. يتم التحقق من الإطار المقترح من خلال دراسة إلغاء، مما يوضح فعاليته في معالجة تحديات تصنيف صور MRI وتعزيز الدقة العامة.
القيود
تقدم الدراسة عدة قيود تتعلق بالهيكل المقترح لتصنيف أورام الدماغ باستخدام صور MRI. على الرغم من تحقيق أقصى دقة، تم تحديد اختيار النماذج المدربة مسبقًا وعمليات اختيار الميزات كقيود. تم اختيار النماذج المدربة مسبقًا بناءً على دقتها في أعلى 5 على مجموعة بيانات ImageNet وإجمالي عدد المعلمات، والتي، على الرغم من كونها مفيدة في تقليل التكيف الزائد، لا تزال تؤدي إلى تضمين بعض الميزات غير ذات الصلة.
علاوة على ذلك، تم تقييم الهيكل باستخدام مجموعة بيانات Figshare، ولكن ستتضمن الأعمال المستقبلية اختبارًا على مجموعات بيانات BRATS لتعزيز التحقق. بالإضافة إلى ذلك، يخطط المؤلفون لتقديم نموذج جديد للاهتمام الذاتي والمحولات البصرية يهدف إلى تحسين كل من الدقة والكفاءة في مهمة التصنيف.
DOI: https://doi.org/10.3389/fonc.2024.1335740
PMID: https://pubmed.ncbi.nlm.nih.gov/38390266
Publication Date: 2024-02-08
Author(s): Muhammad Sami Ullah et al.
Primary Topic: Brain Tumor Detection and Classification
Overview
The research paper addresses the challenges of brain tumor classification using magnetic resonance imaging (MRI), emphasizing the critical nature of accurate diagnosis for patient outcomes. It highlights the limitations of existing techniques that often overlook significant features in favor of deep learning methods that focus on extracting prominent characteristics. To tackle the issue of imbalanced datasets, which can bias classifier performance towards the majority class, the authors propose an automated deep learning model combined with an optimal information fusion framework. This framework employs a sparse autoencoder to generate synthetic images, thereby addressing dataset imbalance, and utilizes Bayesian optimization for hyperparameter tuning of two modified pretrained neural networks.
The proposed framework incorporates an improved Quantum Theory-based Marine Predator Optimization algorithm (QTbMPA) for feature selection, which significantly reduces computational time by approximately 300% while maintaining high classification accuracy. The model achieved an impressive accuracy of 99.80% on the augmented dataset, surpassing state-of-the-art techniques. The findings suggest that this deep learning model can enhance diagnostic accuracy in neuro-oncology, aiding clinicians in the early detection of brain tumors and the development of personalized treatment plans. Overall, the research presents a promising approach to improving brain tumor classification, potentially leading to better patient outcomes and reduced misdiagnosis risks.
Introduction
The introduction of the research paper highlights the critical issue of brain tumors, which are among the deadliest neurological disorders. It distinguishes between primary brain tumors, which predominantly remain localized within the brain, and secondary tumors that metastasize from other organs. The World Health Organization (WHO) categorizes malignant gliomas into grade IV tumors, such as glioblastoma multiforme (GBM), and grade III tumors, including various anaplastic forms. GBM is noted as the most prevalent malignant brain tumor, with an incidence of 3.19 cases per 100,000 people annually, and it disproportionately affects men and white individuals. Meningiomas, the most common primary CNS tumors, are primarily benign but can exhibit atypical or anaplastic characteristics.
The paper emphasizes the challenges faced by radiologists and clinicians in detecting brain tumors through medical imaging, particularly MRI, which is essential for diagnosis. A publicly available dataset containing 3,064 T1-weighted contrast-enhanced MRI images from 233 patients is introduced, comprising various tumor types. The growing interest in computer vision and deep learning techniques is noted, as these methods have shown promise in enhancing the accuracy of brain tumor classification and detection, thereby facilitating non-invasive diagnoses and improving patient outcomes.
Methods
The proposed methodology for brain tumor classification involves several key phases, beginning with preprocessing of the Figshare brain tumor dataset. A crucial step in this phase is contrast enhancement, applied through a statistical technique to improve the quality of low-contrast images. To address class imbalance in the dataset, data augmentation is performed using sparse autoencoders, which focus on retaining significant features while discarding less important ones. Two pretrained models, InceptionResNetV2 and EfficientNetB0, are fine-tuned with dynamically optimized hyperparameters using Bayesian-based optimization. Feature extraction is conducted on the optimized models, followed by further optimization using the Marine Predators Algorithm (MPA) before final classification.
The experimental setup details the implementation of data augmentation via a sparse autoencoder with a single hidden layer of 300 neurons. Training parameters include a maximum of 2,000 epochs, L2 weight regularization set to 0.001, sparsity regularization at 4, and a sparsity proportion of 0.15. The dataset is split evenly into training and testing sets, with augmented images used for training. Stochastic gradient descent with momentum (SGDM) accelerates gradient vectors for faster convergence in the convolutional layers, utilizing a mini-batch size of 128. The experiments are conducted using MATLAB R2023a on a high-performance machine equipped with 128 GB of RAM and an Intel Core i7-6700 CPU, alongside a 12 GB RTX3000 GPU.
Results
In this section, the results from the initial step of the proposed framework are detailed, focusing on the fine-tuned models. Hyperparameter optimization was conducted using a Bayesian approach for both the EfficientNetB0 and InceptionResNetV2 models. The numerical results obtained from this optimization process are presented, highlighting the effectiveness of the proposed methodology in enhancing model performance. Further analysis and discussion of these results will elucidate their implications for subsequent steps in the framework.
Discussion
In this section, the authors address the challenges associated with MRI image acquisition, particularly the loss of information that affects feature visibility and classification accuracy in brain tumor detection. They propose a hybrid deep learning framework that incorporates advanced techniques such as Generative Adversarial Networks (GANs) and feature selection algorithms like Bayesian Optimization (BO) and Quantum Theory-based Marine Predator Optimization (QTbMPA). The framework aims to enhance contrast in MRI images and mitigate class imbalance through data augmentation, specifically using a Sparse Autoencoder to generate new training samples. The authors highlight the importance of hyperparameter optimization for fine-tuning lightweight pretrained models, which are then trained on a balanced dataset to improve classification performance.
The literature review reveals a variety of existing classification methods for brain tumors using deep learning, with notable accuracies achieved across different models. However, many approaches suffer from issues such as class imbalance, overfitting, and loss of spatial information due to dimensionality reduction. The authors’ contributions include the development of a Sparse Autoencoder for data augmentation, fine-tuning of deep learning models, and the implementation of a Bayesian optimization technique for hyperparameter selection. The proposed framework is validated through an ablation study, demonstrating its effectiveness in addressing the challenges of MRI image classification and enhancing overall accuracy.
Limitations
The research presents several limitations regarding the proposed architecture for brain tumor classification using MRI images. While the maximum accuracy was achieved, the selection of pretrained models and feature selection processes were identified as constraints. The pretrained models were chosen based on their Top-5 accuracy on the ImageNet dataset and the total number of parameters, which, although helpful in reducing overfitting, still resulted in the inclusion of some irrelevant features.
Furthermore, the architecture was evaluated using the Figshare dataset, but future work will involve testing on the BRATS datasets to enhance validation. Additionally, the authors plan to introduce a new self-attention and vision transformer model aimed at improving both accuracy and efficiency in the classification task.