DOI: https://doi.org/10.3389/fonc.2023.1248452
PMID: https://pubmed.ncbi.nlm.nih.gov/38352298
تاريخ النشر: 2024-01-30
المؤلف: G. Dheepak وآخرون
الموضوع الرئيسي: كشف وتصنيف أورام الدماغ
نظرة عامة
تقدم البحث نهجًا جديدًا لتحديد الأورام وتصنيفها، معالجًا القيود التي تفرضها الفحوصات اليدوية التقليدية للصور، والتي غالبًا ما تكون مستهلكة للوقت وذات طابع شخصي. تجمع الطريقة المقترحة بين ميزات مصفوفة التكرار الرمادي (GLCM) وميزات النمط الثنائي المحلي (LBP) لإجراء تحليل كمي لصور أورام الدماغ، مستهدفةً بشكل خاص الأورام الدبقية، والأورام السحائية، وأورام الغدة النخامية. الابتكار الكبير في هذه الدراسة هو إدخال ميزات التفاعل، المشتقة من المنتج الخارجي لميزات GLCM وLBP، مما يعزز القوة التمييزية للميزات المستخرجة. بالإضافة إلى ذلك، تتضمن المنهجية ميزات مجمعة وإحصائية وغير خطية، مما يثري فضاء الميزات ويحسن تمثيل خصائص الأورام.
تم التحقق من فعالية هذا النهج المتكامل من خلال تطبيقه على مجموعات بيانات صور الأورام، محققًا معدل دقة مثير للإعجاب يبلغ 99.84% عند اقترانه بمصنف آلة الدعم الخطي. يظهر النموذج مقاييس أداء استثنائية، بما في ذلك دقة عالية، واسترجاع، ودرجة F1، جميعها تقترب من 1، إلى جانب معدل إيجابي حقيقي بنسبة 100%، مما يشير إلى عدم وجود نتائج سلبية خاطئة. تشير هذه النتائج إلى أن تقنيات استخراج الميزات المقترحة تعزز بشكل كبير دقة معالجة الصور الطبية، مما يوفر آفاقًا واعدة لتحسين دقة التشخيص والتخطيط للعلاج لأورام الدماغ في البيئات السريرية.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على التحدي الكبير الذي تمثله الأورام للصحة العامة، وخاصة أورام الدماغ، التي تعد من الأسباب الرئيسية للوفيات المرتبطة بالسرطان على مستوى العالم. مع الإبلاغ عن أكثر من 200 نوع من السرطان، أشارت منظمة الصحة العالمية (WHO) إلى حوالي 10 ملايين حالة وفاة بسبب السرطان في عام 2022. disrupt وظائف الدماغ الطبيعية وتقدم تحديات علاجية كبيرة. تهدف الدراسة إلى معالجة قيود تحليل صور الأورام اليدوي – الذي يتميز باستهلاك الوقت والتحيز الشخصي – من خلال استخدام تقنيات التعلم الآلي لتصنيف الأورام.
تقدم البحث منهجية جديدة للتحليل الشامل لنسيج صور الأورام، باستخدام ميزات مستمدة من مصفوفة التكرار الرمادي (GLCM) والنمط الثنائي المحلي (LBP). تلتقط ميزات GLCM العلاقات المكانية لشدات البكسل، بينما تحدد ميزات LBP أنماط النسيج المحلية، مما يعزز دقة تصنيف الأورام. بالإضافة إلى ذلك، تقترح الدراسة تقنية توليد الميزات التي تجمع بين متجهات GLCM وLBP لإنشاء ميزات تفاعل، مما يحسن القدرة التمييزية للنموذج. تتضمن المنهجية أيضًا خصائص مجمعة من خصائص GLCM، مثل المجموع، والمتوسط، والوسيط، لتوفير رؤية شاملة لنسيج الأورام. يتم استخدام تصنيف آلة الدعم (SVM) مع هذه الميزات المستخرجة، بهدف تحسين دقة تحديد أورام الدماغ وتخطيط العلاج.
طرق
في هذه الدراسة، استخدم المؤلفون مجموعة بيانات Figshare، التي تتكون من 3,064 صورة معززة بالتباين T1 من 233 مريضًا، مع التركيز على ثلاثة أنواع من أورام الدماغ: الورم السحائي (708 شرائح)، الورم الدبقي (1,426 شريحة)، وورم الغدة النخامية (930 شريحة). تُعرف هذه المجموعة في مجتمع البحث بصلتها وشموليتها.
لتحسين جودة الصور، قام المؤلفون بتحويل الصور الأصلية RGB إلى تدرج الرمادي، وفقًا للمنهجية المقترحة من قبل ديميرهان وآخرون. تبسط هذه التحويلة تمثيل الصور، مما يلتقط السطوع العام بفعالية بينما يقلل من التعقيدات المرتبطة بالألوان. تهدف تحويلة التدرج الرمادي إلى تعزيز نسبة الإشارة إلى الضوضاء، وتحسين الجودة البصرية لصور الرنين المغناطيسي، وإزالة الأقسام الخلفية غير المرغوب فيها، والحفاظ على الحواف الأساسية مع تنعيم المناطق الداخلية للأورام. يتم تلخيص المنهجية المقترحة بصريًا في الشكل 1 من الورقة.
نتائج
في هذه الدراسة، تم تطوير نموذج لتصنيف أورام الدماغ باستخدام بايثون، يجمع بين تقنيات استخراج الميزات الإحصائية وغير الخطية. استخدم النموذج طرقًا مثل مصفوفة التكرار الرمادي (GLCM)، وأنماط النمط الثنائي المحلي (LBP)، واستراتيجيات التفاعل والتجميع المختلفة لتعزيز تمثيل الميزات. تم تحقيق تصنيف أورام الدماغ من خلال تطبيق آلة الدعم (SVM)، مما يظهر فعالية النهج المدمج في التمييز بدقة بين أنواع الأورام المختلفة.
مناقشة
في قسم المناقشة، تستعرض الورقة منهجيات ونتائج مختلفة من الأدبيات الحديثة حول تصنيف أورام الدماغ باستخدام تقنيات التعلم الآلي ومعالجة الصور. حقق كابلان وآخرون (5) معدل نجاح يبلغ 95.56% في تحديد الأورام باستخدام استخراج ميزات nLBP وaLBP مع نموذج K-Nearest Neighbour (KNN). أبلغ عبدالسلام وآخرون (4) عن دقة ملحوظة تبلغ 99.5% مع YOLOv7 والتعلم الانتقالي لتشخيص أورام الدماغ الشائعة، بينما يبرزون أيضًا الحاجة إلى مزيد من البحث حول أنواع الأورام الصغيرة. يتم التأكيد على التحديات في تشخيص أورام الدماغ بدقة، خاصة بسبب الطبيعة غير المتجانسة للنتائج التصويرية، كما أشار يلدريم وآخرون (8) وشيندي وآخرون (9)، الذين يبرزون التعقيدات في اختيار النموذج وموثوقية البيانات.
تقترح الورقة مساهمات جديدة في هذا المجال من خلال إدخال ميزات التفاعل المشتقة من المنتج الخارجي لمصفوفة التكرار الرمادي (GLCM) وميزات النمط الثنائي المحلي (LBP). يهدف هذا النهج إلى تعزيز قدرة النموذج على التمييز بين أنواع الأورام من خلال التقاط العلاقات المعقدة داخل الصور. بالإضافة إلى ذلك، يتم توليد ميزات غير خطية من خلال التحويلات اللوغاريتمية لميزات GLCM، مما يحسن القوة التمييزية لمجموعة الميزات. تتضمن منهجية الدراسة ست تقنيات لاستخراج الميزات، بما في ذلك GLCM وLBP، لتحليل صور الرنين المغناطيسي للدماغ بفعالية، بهدف تحسين دقة التصنيف لأورام الدبقية، والأورام السحائية، وأورام الغدة النخامية. من المتوقع أن يؤدي دمج هذه الميزات المتقدمة إلى نموذج تصنيف أكثر قوة وفعالية، مما يعالج التحديات المستمرة في التصوير الطبي والتعلم الآلي.
DOI: https://doi.org/10.3389/fonc.2023.1248452
PMID: https://pubmed.ncbi.nlm.nih.gov/38352298
Publication Date: 2024-01-30
Author(s): G. Dheepak et al.
Primary Topic: Brain Tumor Detection and Classification
Overview
The research presents a novel approach for tumor identification and classification, addressing the limitations of traditional manual image examination, which is often time-consuming and subjective. The proposed method combines Gray-Level Co-Occurrence Matrix (GLCM) features with Local Binary Pattern (LBP) features to perform a quantitative analysis of brain tumor images, specifically targeting Glioma, Meningioma, and Pituitary tumors. A significant innovation of this study is the introduction of interaction features, derived from the outer product of GLCM and LBP feature vectors, which enhances the discriminative power of the extracted features. Additionally, the methodology incorporates aggregated, statistical, and non-linear features, thereby enriching the feature space and improving the representation of tumor characteristics.
The effectiveness of this integrated approach is validated through its application to tumor image datasets, achieving an impressive accuracy rate of 99.84% when paired with a linear support vector machine classifier. The model exhibits exceptional performance metrics, including high precision, recall, and F1 score, all nearing 1, alongside a 100% True Positive Rate, indicating no false negatives. These findings suggest that the proposed feature extraction techniques significantly enhance the precision of medical image processing, offering promising prospects for improved diagnostic accuracy and treatment planning for brain tumors in clinical settings.
Introduction
The introduction of this research paper highlights the significant public health challenge posed by tumors, particularly brain tumors, which are among the leading causes of cancer-related mortality globally. With over 200 types of cancer reported, the World Health Organization (WHO) noted approximately 10 million cancer deaths in 2022. Brain tumors, which can be benign or malignant, disrupt normal brain functions and present substantial treatment challenges. The study aims to address the limitations of manual tumor image analysis—characterized by time consumption and subjective bias—by employing machine learning techniques for tumor classification.
The research introduces a novel methodology for the comprehensive texture analysis of tumor images, utilizing features derived from the Gray-Level Co-occurrence Matrix (GLCM) and Local Binary Pattern (LBP). GLCM features capture spatial relationships of pixel intensities, while LBP features identify local texture patterns, together enhancing tumor classification accuracy. Additionally, the study proposes a feature generation technique that combines GLCM and LBP vectors to create interaction features, improving the model’s discriminative ability. The methodology also includes aggregated characteristics from GLCM properties, such as sum, mean, and median, to provide a holistic view of tumor textures. Support Vector Machine (SVM) classification is employed with these extracted features, aiming to enhance the precision of brain tumor identification and treatment planning.
Methods
In this study, the authors utilized the Figshare Dataset, which comprises 3,064 T1-weighted contrast-enhanced images from 233 patients, focusing on three types of brain tumors: meningioma (708 slices), glioma (1,426 slices), and pituitary tumor (930 slices). This dataset is widely recognized in the research community for its relevance and comprehensiveness.
To enhance the quality of the images, the authors converted the original RGB images to grayscale, following the methodology proposed by Demirhan et al. This conversion simplifies the representation of the images, effectively capturing overall brightness while reducing the complexities associated with color. The grayscale transformation aims to boost the signal-to-noise ratio, improve the visual quality of the MR images, eliminate unwanted background sections, and maintain essential edges while smoothing the inner regions of the tumors. The proposed methodology is visually summarized in Figure 1 of the paper.
Results
In this study, a brain tumor classification model was developed using Python, integrating both statistical and non-linear feature extraction techniques. The model employed methods such as Gray Level Co-occurrence Matrix (GLCM), Local Binary Patterns (LBP), and various interaction and aggregation strategies to enhance feature representation. The classification of brain tumors was achieved through the application of a support vector machine (SVM), demonstrating the effectiveness of the combined approach in accurately distinguishing between different tumor types.
Discussion
In the discussion section, the paper reviews various methodologies and findings from recent literature on brain tumor classification using machine learning and image processing techniques. Kaplan et al. (5) achieved a 95.56% success rate in tumor identification using nLBP and aLBP feature extraction with the K-Nearest Neighbour (KNN) model. Abdusalomov et al. (4) reported a remarkable 99.5% accuracy with YOLOv7 and transfer learning for diagnosing common brain tumors, while also highlighting the need for further research on minor tumor types. The challenges in accurately diagnosing brain tumors are underscored, particularly due to the heterogeneous nature of imaging findings, as noted by Yildirim et al. (8) and Shinde et al. (9), who emphasize the complexities in model selection and data reliability.
The paper proposes novel contributions to the field by introducing interaction features derived from the outer product of Gray-Level Co-occurrence Matrix (GLCM) and Local Binary Pattern (LBP) feature vectors. This approach aims to enhance the model’s ability to differentiate between tumor types by capturing complex relationships within the images. Additionally, non-linear features are generated through logarithmic transformations of GLCM features, further improving the discriminative power of the feature set. The study’s methodology incorporates six feature extraction techniques, including GLCM and LBP, to analyze brain MRI images effectively, aiming to improve classification accuracy for Glioma, Meningioma, and Pituitary tumors. The integration of these advanced features is anticipated to yield a more robust and effective classification model, addressing the ongoing challenges in medical imaging and machine learning.