DOI: https://doi.org/10.1038/s41598-024-77243-7
PMID: https://pubmed.ncbi.nlm.nih.gov/39472515
تاريخ النشر: 2024-10-29
المؤلف: Mustafa Basthikodi وآخرون
الموضوع الرئيسي: كشف وتصنيف أورام الدماغ
نظرة عامة
تبحث هذه الدراسة في تصنيف أورام الدماغ باستخدام التصوير الطبي، مع التركيز بشكل خاص على التحديات التي تطرحها التشابهات البصرية بين أنواع الأورام المختلفة. تستخدم الدراسة آلة الدعم الناقل (SVM) كخوارزمية التصنيف الأساسية، معززة بتقنيات استخراج الميزات مثل هيستوجرام التدرجات الموجهة (HOG) ونمط ثنائي محلي (LBP)، إلى جانب تحليل المكونات الرئيسية (PCA) لتقليل الأبعاد. باستخدام مجموعة بيانات من كاجل تتكون من صور MRI مصنفة إلى أربع فئات، تم تحديد دقة نموذج SVM الأساسية عند 86.57%. أدت إضافة PCA إلى تحسين هذه الدقة إلى 94.20%، بينما زادت دقة الجمع بين SVM مع HOG و LBP إلى 95.95%. تم تحقيق أكبر تحسين مع دمج SVM و HOG و LBP و PCA، مما أدى إلى دقة تبلغ 96.03%، ودرجة F1 تبلغ 96.00%، ودقة تبلغ 96.02%، واسترجاع يبلغ 96.03%.
تؤكد النتائج على فعالية الجمع بين تقنيات التعلم الآلي المتقدمة لتصنيف أورام الدماغ متعددة الفئات، مما يشير إلى أن مثل هذه المنهجيات يمكن أن تؤدي إلى أدوات تشخيصية أكثر دقة وكفاءة حسابية في التصوير الطبي. تشمل اتجاهات البحث المستقبلية استكشاف طرق استخراج ميزات إضافية مثل تحويل الميزات غير القابلة للتغيير، وتوسيع مجموعة البيانات لتحسين القابلية للتعميم، والتحقق من صحة النموذج باستخدام بيانات سريرية، وتقييم طرق التجميع البديلة مثل آلات تعزيز التدرج (GBM) لتعزيز أداء التصنيف بشكل أكبر.
الطرق
تتضمن المنهجية الموضحة في هذا القسم نهجًا منهجيًا لتصنيف أربع فئات متميزة. في البداية، يتم استخدام آلة الدعم الناقل (SVM) كالمصنف الأساسي. يتبع ذلك دمج SVM مع تحليل المكونات الرئيسية (PCA) لتسهيل تقليل الأبعاد، مما يعزز كفاءة عملية التصنيف.
تشمل الخطوات التالية تطبيق هيستوجرام التدرجات الموجهة (HOG) وأنماط ثنائية محلية (LBP) لاستخراج الميزات، والتي تعتبر حاسمة لالتقاط الخصائص ذات الصلة للبيانات. المرحلة النهائية من المنهجية تجمع بين HOG و LBP و PCA، بهدف تحسين أداء التصنيف من خلال الاستفادة من نقاط القوة لكل تقنية. يبرز هذا النهج الشامل أهمية كل من استخراج الميزات وتقليل الأبعاد في تحقيق نتائج تصنيف دقيقة.
النتائج
في هذه الدراسة، تم تقييم أداء مصنف آلة الدعم الناقل (SVM) على مجموعة بيانات تتكون من 7023 صورة MRI مصنفة إلى أربع فئات من أورام الدماغ. تم تقسيم مجموعة البيانات إلى مجموعات تدريب وتحقق، حيث حقق SVM مقاييس تحقق من الدقة ($acc_{val}$)، ودرجة F1 ($F1_{val}$)، والدقة ($prec_{val}$)، والاسترجاع ($rec_{val}$) بنسبة 86.57%، 86.29%، 86.57%، و86.36%، على التوالي. أدت إضافة تحليل المكونات الرئيسية (PCA) إلى تحسين هذه المقاييس إلى 94.20%، 94.15%، 94.13%، و94.20%. تم ملاحظة تحسينات إضافية عند استخدام أنماط ثنائية محلية (LBP) وهيستوجرام التدرجات الموجهة (HOG) لاستخراج الميزات، مما أسفر عن مقاييس تبلغ 95.95%، 95.93%، 95.94%، و95.95%. أدى الجمع بين PCA واستخراج الميزات إلى تحقيق أعلى أداء، مع مقاييس تبلغ 96.03%، 96.00%، 96.02%، و96.03%.
أشارت تحليل مصفوفة الالتباس إلى أن النموذج حدد بشكل فعال حالات الجليوما، والحمى السحائية، وعدم وجود ورم، وحالات ورم الغدة النخامية، مع تحديدات صحيحة لـ 278، 279، 404، و298 حالة، على التوالي. كشفت تحليل منحنى التشغيل الاستقبالي (ROC) عن قيم عالية لمنطقة تحت المنحنى (AUC)، حيث كانت الجليوما عند 0.99 والحمى السحائية عند 0.96، بينما حققت كل من فئات عدم وجود ورم وفئة ورم الغدة النخامية درجات AUC مثالية تبلغ 1.00. أظهرت منحنيات الدقة والاسترجاع (PR) أن فئة عدم وجود ورم أظهرت أعلى أداء، تليها فئات ورم الغدة النخامية والجليوما، بينما أظهرت الحمى السحائية دقة واسترجاع أقل، ولكنها لا تزال ملحوظة. بشكل عام، تسلط الدراسة الضوء على قدرة مصنف SVM القوية في التصنيف متعدد الفئات لأورام الدماغ، محققًا معدل نجاح بنسبة 96% في التنبؤات.
المناقشة
تسلط قسم المناقشة في ورقة البحث الضوء على التقدمات الحاسمة في اكتشاف أورام الدماغ من خلال تقنيات التعلم الآلي المختلفة، مع التركيز بشكل خاص على دمج آلة الدعم الناقل (SVM) مع طرق استخراج الميزات مثل هيستوجرام التدرجات الموجهة (HOG) وأنماط ثنائية محلية (LBP). تشير مراجعة الأدبيات إلى أنه على الرغم من أن العديد من الدراسات حققت دقة تصنيف عالية—غالبًا ما تتجاوز 90%—إلا أنها تتناول بشكل أساسي التصنيفات الثنائية أو الثلاثية، مما يترك فجوة في تحديد الأورام متعددة الفئات. تهدف الطريقة المقترحة في هذه الدراسة إلى سد هذه الفجوة من خلال تصنيف أربع أنواع متميزة من أورام الدماغ بشكل فعال، محققة دقة تبلغ 96.03% عند دمج SVM مع HOG و LBP و تحليل المكونات الرئيسية (PCA) لتقليل الأبعاد.
تؤكد الدراسة على الكفاءة الحسابية للإطار المقترح، مما يجعله مناسبًا للبيئات ذات الموارد المحدودة، وهو ميزة كبيرة مقارنة بالنماذج الأكثر تعقيدًا التي تتطلب موارد حسابية واسعة. لا يعزز دمج تقنيات استخراج الميزات المتقدمة دقة التصنيف فحسب، بل يعالج أيضًا التحديات المرتبطة بالبيانات عالية الأبعاد، مثل الإفراط في التكيف. تشمل الاتجاهات المستقبلية لهذا البحث استكشاف طرق استخراج ميزات إضافية، وتوسيع مجموعة البيانات لتحقيق تنوع أكبر، والتحقق من صحة النموذج باستخدام بيانات سريرية من العالم الحقيقي لضمان قابليته للتطبيق العملي في التشخيصات الطبية. بشكل عام، تسهم هذه الدراسة في الجهود المستمرة لتحسين منهجيات تصنيف أورام الدماغ، مقدمة أداة قوية وفعالة للاستخدام السريري.
DOI: https://doi.org/10.1038/s41598-024-77243-7
PMID: https://pubmed.ncbi.nlm.nih.gov/39472515
Publication Date: 2024-10-29
Author(s): Mustafa Basthikodi et al.
Primary Topic: Brain Tumor Detection and Classification
Overview
This research investigates the classification of brain tumors using medical imaging, specifically focusing on the challenges posed by the visual similarities among different tumor types. The study employs a Support Vector Machine (SVM) as the primary classification algorithm, enhanced by feature extraction techniques such as Histogram of Oriented Gradients (HOG) and Local Binary Pattern (LBP), alongside Principal Component Analysis (PCA) for dimensionality reduction. Utilizing a dataset from Kaggle consisting of MRI images categorized into four classes, the baseline accuracy of the SVM model was established at 86.57%. The incorporation of PCA improved this accuracy to 94.20%, while the combination of SVM with HOG and LBP further increased the accuracy to 95.95%. The most significant enhancement was achieved with the integration of SVM, HOG, LBP, and PCA, resulting in an accuracy of 96.03%, an F1 score of 96.00%, precision of 96.02%, and recall of 96.03%.
The findings underscore the effectiveness of combining advanced machine learning techniques for multiclass brain tumor classification, suggesting that such methodologies can lead to more accurate and computationally efficient diagnostic tools in medical imaging. Future research directions include exploring additional feature extraction methods like Scale-Invariant Feature Transform, expanding the dataset for improved generalizability, validating the model with clinical data, and evaluating alternative ensemble methods such as Gradient Boosting Machines (GBM) to further enhance classification performance.
Methods
The methodology outlined in this section involves a systematic approach to classifying four distinct classes. Initially, Support Vector Machine (SVM) is employed as the primary classifier. This is followed by the integration of SVM with Principal Component Analysis (PCA) to facilitate dimensionality reduction, enhancing the efficiency of the classification process.
Subsequent steps involve the application of Histogram of Oriented Gradients (HOG) and Local Binary Patterns (LBP) for feature extraction, which are critical for capturing the relevant characteristics of the data. The final phase of the methodology combines HOG, LBP, and PCA, aiming to optimize the classification performance by leveraging the strengths of each technique. This comprehensive approach underscores the importance of both feature extraction and dimensionality reduction in achieving accurate classification outcomes.
Results
In this study, the performance of a Support Vector Machine (SVM) classifier was evaluated on a dataset of 7023 MRI images categorized into four classes of brain tumors. The dataset was split into training and validation subsets, with the SVM achieving validation metrics of accuracy ($acc_{val}$), F1 score ($F1_{val}$), precision ($prec_{val}$), and recall ($rec_{val}$) of 86.57%, 86.29%, 86.57%, and 86.36%, respectively. The incorporation of Principal Component Analysis (PCA) improved these metrics to 94.20%, 94.15%, 94.13%, and 94.20%. Further enhancements were observed when using Local Binary Patterns (LBP) and Histogram of Oriented Gradients (HOG) for feature extraction, yielding metrics of 95.95%, 95.93%, 95.94%, and 95.95%. The combination of PCA with feature extraction resulted in the highest performance, with metrics of 96.03%, 96.00%, 96.02%, and 96.03%.
The confusion matrix analysis indicated that the model effectively identified glioma, meningioma, no tumor, and pituitary tumor cases, with correct identifications of 278, 279, 404, and 298 instances, respectively. The Receiver Operating Characteristic (ROC) curve analysis revealed high area under the curve (AUC) values, with glioma at 0.99 and meningioma at 0.96, while both the no tumor and pituitary classes achieved perfect AUC scores of 1.00. Precision-Recall (PR) curves demonstrated that the no tumor class exhibited the highest performance, followed closely by pituitary and glioma classes, while meningioma showed lower, yet significant, precision and recall. Overall, the study highlights the SVM classifier’s strong capability in multiclass classification of brain tumors, achieving a 96% success rate in predictions.
Discussion
The discussion section of the research paper highlights the critical advancements in brain tumor detection through various machine learning techniques, particularly focusing on the integration of Support Vector Machine (SVM) with feature extraction methods like Histogram of Oriented Gradients (HOG) and Local Binary Patterns (LBP). The literature review indicates that while many studies have achieved high classification accuracies—often exceeding 90%—they primarily address binary or ternary classifications, leaving a gap in multiclass tumor identification. The proposed method in this study aims to bridge this gap by effectively classifying four distinct types of brain tumors, achieving an accuracy of 96.03% when combining SVM with HOG, LBP, and Principal Component Analysis (PCA) for dimensionality reduction.
The research emphasizes the computational efficiency of the proposed framework, making it suitable for resource-limited environments, which is a significant advantage over more complex models that require extensive computational resources. The integration of advanced feature extraction techniques not only enhances classification accuracy but also addresses the challenges associated with high-dimensional data, such as overfitting. Future directions for this research include exploring additional feature extraction methods, expanding the dataset for greater diversity, and validating the model with real-world clinical data to ensure its practical applicability in medical diagnostics. Overall, this study contributes to the ongoing efforts to improve brain tumor classification methodologies, offering a robust and efficient tool for clinical use.