DOI: https://doi.org/10.29303/jppipa.v12i1.14218
تاريخ النشر: 2026-01-25
المؤلف: Nadia Sri Aulia Noprianti وآخرون
الموضوع الرئيسي: كشف وتصنيف أورام الدماغ
نظرة عامة
تستكشف هذه الدراسة فعالية نموذج VGG16 المعتمد على التعلم بالنقل في تصنيف أورام الدماغ في صور الرنين المغناطيسي، مع معالجة التحديات مثل قيود مجموعة البيانات وتوزيع الفئات غير المتوازن. باستخدام مجموعة بيانات تتكون من 7,023 صورة رنين مغناطيسي مصنفة إلى أورام دبقية، وأورام سحائية، وأورام نخامية، وعدم وجود ورم، قام الباحثون بتنفيذ تقنيات المعالجة المسبقة بما في ذلك تغيير الحجم، وتقسيم البيانات، وزيادة البيانات (التدوير، وتحويل العرض، وتحويل الارتفاع، والتكبير) لتعزيز تنوع البيانات والتخفيف من عدم التوازن في الفئات. تم تدريب النموذج مع تقسيمات تدريب-تحقق مختلفة (70:30، 80:20، و90:10) واستراتيجيات تحسين، مما أدى في النهاية إلى تحقيق أفضل أداء مع تقسيم 80:20، ومُحسِّن آدم، ومعدل تعلم قدره 0.0001، مما أسفر عن دقة تحقق بلغت 99.89% ودقة اختبار بلغت 98.00%.
تشير النتائج إلى أن بنية VGG16، عند دمجها مع زيادة البيانات، تصنف بفعالية صور أورام الدماغ في الرنين المغناطيسي بينما تظهر استقرارًا عاليًا وقدرة على التعميم على البيانات غير المرئية. حقق النموذج قيم دقة متوسطة، واسترجاع، وF1-score بلغت 98.00%، مع استرجاع ملحوظ قدره 0.95 للفئة الأقل (الأورام الدبقية)، مما يقلل من تحيز التنبؤ. ومع ذلك، تعترف الدراسة بحدودها على بنية VGG16 وتقترح أن تستكشف الأبحاث المستقبلية بنى أخرى مثل ResNet وEfficientNet أو Xception، بالإضافة إلى استخدام مجموعات بيانات سريرية متنوعة لتعزيز قابلية تطبيق النموذج في السيناريوهات الطبية الواقعية.
مقدمة
تسلط المقدمة الضوء على الدور الحاسم للدماغ في تنظيم وظائف الجسم المختلفة وآثار تلف الدماغ، خاصة في سياق أورام الدماغ، التي تصنف إلى أنواع أولية وثانوية. إن الزيادة في حالات أورام الدماغ، كما أفادت منظمة الصحة العالمية، تؤكد على ضرورة الكشف المبكر لتحسين نتائج تعافي المرضى. تعتمد طرق التشخيص الحالية، مثل التصوير بالرنين المغناطيسي (MRI)، على خبرة المتخصصين، مما يؤدي إلى احتمال حدوث تشخيصات خاطئة، خاصة في الأورام في مراحلها المبكرة. تستدعي هذه الحالة دمج التقنيات المتقدمة لتحسين دقة وكفاءة التشخيص.
تناقش الورقة تطبيق الذكاء الاصطناعي (AI)، وتحديدًا الشبكات العصبية التلافيفية (CNN)، في تحليل صور الرنين المغناطيسي لاكتشاف أورام الدماغ. تُعرف الشبكات العصبية التلافيفية بقدرتها على استخراج الميزات المكانية تلقائيًا من الصور، متفوقة على طرق التصنيف التقليدية. ومع ذلك، لا تزال التحديات مثل محدودية بيانات التدريب وعدم توازن الفئات قائمة. يقترح المؤلفون استخدام التعلم بالنقل لتعزيز أداء النموذج من خلال الاستفادة من المعرفة من مجموعات البيانات الحالية، وبالتالي معالجة القضايا المتعلقة بنقص البيانات وتعقيد النموذج. أظهرت الدراسات السابقة فعالية التعلم بالنقل في تحسين دقة التصنيف، لكنها تكشف أيضًا أن الدقة العالية لا تضمن أداءً عادلاً عبر جميع الفئات، خاصة الفئات الأقل. تهدف هذه الدراسة إلى تنفيذ استراتيجية زيادة البيانات للتخفيف من عدم التوازن في الفئات في صور الرنين المغناطيسي، مع التركيز على تعزيز تمثيل الفئات الأقل. تسعى الدراسة، التي تحمل عنوان “تصنيف صور الرنين المغناطيسي لأورام الدماغ باستخدام VGG16 المعتمد على التعلم بالنقل وزيادة البيانات كنظام دعم للتشخيص الطبي”، إلى تحسين تعميم النموذج، وتقليل الإفراط في التكيف، وضمان أداء متوازن عبر أنواع الأورام المختلفة، مما يساهم في أداة تشخيصية موثوقة تعتمد على الذكاء الاصطناعي لأورام الدماغ.
مناقشة
قدمت الدراسة بحثًا كميًا باستخدام نهج تجريبي لتصنيف أورام الدماغ من صور الرنين المغناطيسي باستخدام بنية VGG16 المعتمدة على التعلم بالنقل. تتكون مجموعة البيانات، المستمدة من مستودع عام، من 7,023 صورة رنين مغناطيسي مصنفة إلى أربع فئات: أورام دبقية، وأورام سحائية، وأورام نخامية، وعدم وجود ورم. تضمنت معالجة البيانات تغيير حجم الصور إلى 224 × 224 بكسل، وتطبيع قيم البكسل، واستخدام تقنيات زيادة البيانات لمعالجة عدم توازن الفئات وتعزيز تعميم النموذج. تم تدريب النموذج تحت تكوينات مختلفة، بما في ذلك مُحسِّنات مختلفة ومعدلات تعلم، حيث أسفر مُحسِّن آدم ومعدل تعلم قدره 0.0001 عن أعلى دقة بلغت 99.89% أثناء التدريب.
أظهر تقييم النموذج أداءً قويًا عبر جميع الفئات، محققًا دقة إجمالية بلغت 98.00% على مجموعة اختبار تتكون من 1,311 صورة. ومن الجدير بالذكر أن النموذج حافظ على معدلات استرجاع عالية، خاصة في الفئة الأقل (الأورام الدبقية)، التي وصلت إلى 0.95، مما يدل على التعرف الفعال على خصائص الأورام المتنوعة. خلصت الدراسة إلى أن بنية VGG16، عند دمجها مع زيادة البيانات، حسنت بشكل كبير من استقرار التصنيف وقللت من التحيز تجاه الفئات الأكثر. يُقترح أن تستكشف الأبحاث المستقبلية بنى بديلة ومجموعات بيانات سريرية لتعزيز قابلية تطبيق النموذج في السياقات الطبية.
DOI: https://doi.org/10.29303/jppipa.v12i1.14218
Publication Date: 2026-01-25
Author(s): Nadia Sri Aulia Noprianti et al.
Primary Topic: Brain Tumor Detection and Classification
Overview
This study investigates the efficacy of the transfer learning-based VGG16 model for classifying brain tumors in MRI images, addressing challenges such as dataset limitations and imbalanced class distributions. Utilizing a dataset of 7,023 MRI images categorized into glioma, meningioma, pituitary, and no tumor, the researchers implemented pre-processing techniques including resizing, data splitting, and augmentation (rotation, width shift, height shift, and zoom) to enhance data diversity and mitigate class imbalance. The model was trained with various training-validation splits (70:30, 80:20, and 90:10) and optimization strategies, ultimately achieving the best performance with an 80:20 split, the Adam optimizer, and a learning rate of 0.0001, resulting in a validation accuracy of 99.89% and a testing accuracy of 98.00%.
The findings indicate that the VGG16 architecture, when combined with data augmentation, effectively classifies brain tumor MRI images while demonstrating high stability and generalization to unseen data. The model achieved macro average precision, recall, and F1-score values of 98.00%, with a notable recall of 0.95 for the minority class (glioma), thereby reducing prediction bias. However, the study acknowledges its limitation to the VGG16 architecture and suggests future research should explore other architectures such as ResNet, EfficientNet, or Xception, as well as the use of diverse clinical datasets to enhance the model’s applicability in real-world medical scenarios.
Introduction
The introduction highlights the critical role of the brain in regulating various bodily functions and the implications of brain damage, particularly in the context of brain tumors, which are categorized into primary and secondary types. The increasing incidence of brain tumors, as reported by the WHO, underscores the necessity for early detection to enhance patient recovery outcomes. Current diagnostic methods, such as Magnetic Resonance Imaging (MRI), while effective, rely heavily on the expertise of specialists, leading to potential misdiagnoses, especially in early-stage tumors. This situation necessitates the integration of advanced technologies to improve diagnostic accuracy and efficiency.
The paper discusses the application of Artificial Intelligence (AI), specifically Convolutional Neural Networks (CNN), in analyzing MRI images for brain tumor detection. CNNs are noted for their ability to automatically extract spatial features from images, outperforming traditional classification methods. However, challenges such as limited training data and class imbalances persist. The authors propose using transfer learning to enhance model performance by leveraging knowledge from existing datasets, thereby addressing issues related to data scarcity and model complexity. Previous studies have demonstrated the effectiveness of transfer learning in improving classification accuracy, yet they also reveal that high accuracy does not guarantee equitable performance across all classes, particularly minority classes. This research aims to implement a data augmentation strategy to mitigate class imbalance in MRI images, focusing on enhancing the representation of minority classes. The study, titled “MRI Image Classification of Brain Tumors Using VGG16 Based on Transfer Learning and Data Augmentation as a Medical Diagnosis Support System,” seeks to improve model generalization, reduce overfitting, and ensure balanced performance across various tumor types, ultimately contributing to a more reliable AI-based diagnostic tool for brain tumors.
Discussion
The research presented a quantitative study utilizing an experimental approach to classify brain tumors from MRI images using a transfer learning-based VGG16 architecture. The dataset, sourced from a public repository, comprised 7,023 MRI images categorized into four classes: glioma, meningioma, pituitary, and no tumor. Data preprocessing involved resizing images to 224 x 224 pixels, normalizing pixel values, and employing data augmentation techniques to address class imbalances and enhance model generalization. The model was trained under various configurations, including different optimizers and learning rates, with the Adam optimizer and a learning rate of 0.0001 yielding the highest accuracy of 99.89% during training.
Model evaluation demonstrated robust performance across all classes, achieving an overall accuracy of 98.00% on a testing dataset of 1,311 images. Notably, the model maintained high recall rates, particularly in the minority class (glioma), which reached 0.95, indicating effective recognition of diverse tumor characteristics. The study concluded that the VGG16 architecture, combined with data augmentation, significantly improved classification stability and reduced bias towards majority classes. Future research is suggested to explore alternative architectures and clinical datasets to enhance the model’s applicability in medical contexts.