DOI: https://doi.org/10.1371/journal.pone.0336514
PMID: https://pubmed.ncbi.nlm.nih.gov/41628243
تاريخ النشر: 2026-02-02
المؤلف: Zhenyun Du وآخرون
الموضوع الرئيسي: كشف وتصنيف أورام الدماغ
نظرة عامة
تقدم الدراسة نهجًا جديدًا لتجزئة أورام الدماغ باستخدام بنية U-Net ثلاثية الأبعاد المعدلة التي تتضمن طبقة تجميع ثلاثية الأبعاد جديدة. تعالج هذه الابتكار قيود طرق التجميع التقليدية من خلال أخذ الاعتماد المكاني لبكسلات التصوير بالرنين المغناطيسي في الاعتبار، مما يعزز قدرة النموذج على تحديد هياكل الأورام المعقدة بدقة. تم تقييم الطريقة المقترحة على مجموعة بيانات BraTS2020 من خلال التحقق المتقاطع بخمس طيات، محققة معاملات Dice مثيرة للإعجاب تبلغ 0.8299 للأورام المعززة (ET)، و0.8882 لنواة الورم (TC)، و0.8986 للورم الكامل (WT)، إلى جانب تقليل المسافة هاوسدورف (HD95)، مما يشير إلى تحسينات كبيرة مقارنة بتقنيات التجميع القصوى التقليدية.
تؤكد النتائج على قوة وإمكانية هذا النهج في تعزيز تجزئة أورام الدماغ الآلية في التصوير الطبي. كما تسلط الدراسة الضوء على استخدام خطي تجميع مستقلين لتحسين الأداء، مما يقترح طرقًا للبحث المستقبلي التي قد تشمل استكشاف تقنيات تجميع إضافية، ودمج بيانات التصوير متعددة الأنماط، وتعزيز قابلية تفسير النموذج. تهدف هذه التطورات إلى تحسين الممارسات السريرية وتعزيز اعتماد أدوات التجزئة الآلية في بيئات الرعاية الصحية، مما يسهم في تشخيص أكثر فعالية وتخطيط علاج لأورام الدماغ.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على أهمية معالجة الصور الطبية في تعزيز جودة وتحليل الصور من مختلف طرق التصوير، خاصة في سياق تشخيص أورام الدماغ. تمثل أورام الدماغ، التي يمكن أن تكون حميدة أو خبيثة، أعراضًا متنوعة ويتم تشخيصها بشكل أساسي باستخدام التصوير بالرنين المغناطيسي والأشعة المقطعية، مع لعب التصوير المقطعي بالإصدار البوزيتروني أيضًا دورًا داعمًا. تؤكد الورقة على الحاجة الملحة لتجزئة دقيقة لمناطق الورم الفرعية—مثل الأورام المعززة (ET)، ونواة الورم (TC)، والورم الكامل (WT)—لإبلاغ تخطيط العلاج ومراقبة تقدم المرض بشكل فعال.
تقترح الدراسة نهجًا جديدًا لتجزئة أورام الدماغ باستخدام مشغل تجميع ثلاثي الأبعاد مرتبط مدمج في بنية U-Net ثلاثية الأبعاد، مما يعالج التحديات مثل دقة الحدود وتباين الكثافة بين المواقع. من خلال استخدام تقنيات التجميع المزدوج ودمج التنبؤات من خلال متوسط الاحتمالات، يظهر الأسلوب أداءً متفوقًا على مجموعة بيانات BraTS-2020، محققًا درجات Dice تبلغ 0.8299، و0.8882، و0.8986 لـ ET، وTC، وWT، على التوالي. تختتم المقدمة بالتأكيد على مزايا تقنيات التعلم العميق مقارنة بالطرق التقليدية، بما في ذلك تحسين الدقة، وتقليل التباين، وإمكانية الكشف المبكر عن الأورام والمراقبة المستمرة، مما يمهد الطريق للأقسام التالية من الورقة التي تفصل المنهجية، وإعداد التجارب، والنتائج، واتجاهات البحث المستقبلية.
طرق
في هذه الدراسة، تم تطوير خطي تدريب متميزين باستخدام بنية شبكة عصبية مشتركة تعتمد على نموذج U-Net ثلاثي الأبعاد، والذي يُعرف على نطاق واسع بفعاليته في تجزئة الصور الطبية. كانت تنفيذ خطوط الأنابيب المنفصلة، المشار إليها بخط الأنابيب A وخط الأنابيب B، تهدف إلى تعزيز التنوع في تنبؤات الشبكة واستكشاف التباينات في نتائج الأداء. يوضح هذا القسم المنهجيات المستخدمة في كل خط أنابيب ويسلط الضوء على الاختلافات الرئيسية بينها.
علاوة على ذلك، بحثت الدراسة تأثير طبقات التجميع المختلفة على نتائج التجزئة، موضحة الأنواع المحددة المستخدمة. بالإضافة إلى طبقة التجميع القصوى التقليدية، تم تقديم طبقة تجميع جديدة تُسمى “التجميع ثلاثي الأبعاد المرتبط”. تم تصميم دمج كل من التجميع الأقصى والتجميع المرتبط لتقييم تأثيرات استراتيجيات التجميع هذه على الأداء العام للنموذج. ستوفر الأقسام التالية تحليلًا شاملاً لكل خط أنابيب والتأثيرات المتميزة لطبقات التجميع، كما هو موضح في الشكل 2، الذي يقدم مخطط تدفق المنهجية المقترحة.
نتائج
تُعرض نتائج التجارب التي أجريت لتقييم نماذج تجزئة أورام الدماغ المقترحة، مع تسليط الضوء على فعالية نهج التجميع ثلاثي الأبعاد المدمج في بنية U-Net ثلاثية الأبعاد. تم تقييم النماذج باستخدام مقاييس مختلفة، بما في ذلك معاملات تشابه Dice، والحساسية، والخصوصية، والمسافات هاوسدورف، مما يظهر قدرتها على تحديد الأورام المعززة، ونوى الأورام، والأورام الكاملة بدقة. من الجدير بالذكر أن النماذج حققت معامل Dice أكبر من 0.8 لكل منطقة ورم، حيث أظهرت منطقة الورم الكامل (WT) درجات أعلى بسبب مساحتها الأكبر، التي تشمل مناطق الأورام المعززة بالإضافة إلى المناطق النخرية المحيطة والوذمة.
أشارت تقييمات الأداء إلى أن النماذج حافظت على خسارة مستقرة تبلغ حوالي 10% من الحقبة 100 فصاعدًا، مما يشير إلى تعميم فعال يتجاوز مجموعة التحقق. تراوحت درجات Dice لتجزئة المناطق الثلاثة للورم بين 0.80 و0.93، مما يدل على أداء قوي بشكل عام. على وجه التحديد، اقتربت قيم مقياس الورم المعزز (ET) لكل من النموذج 1 والنموذج 2 من 1، مما يعكس توافقًا وثيقًا مع قيم الحقيقة الأرضية. توفر البيانات التكميلية في الجدول 2 رؤى إضافية حول اتجاهات أداء النماذج خلال مراحل التدريب الأخيرة، مما يعزز فهم سلوكها وفعاليتها.
مناقشة
في قسم المناقشة من الورقة، يستعرض المؤلفون مختلف التقدمات في نماذج تجزئة أورام الدماغ، خاصة تلك التي تستخدم مجموعة بيانات BraTS 2020. يسلطون الضوء على عدة نهج مبتكرة، مثل تعلم اقتران الأنماط من قبل وانغ وآخرين باستخدام بنية U-Net ثلاثية الأبعاد، التي تلتقط بفعالية المعلومات التكميلية من بيانات التصوير بالرنين المغناطيسي متعددة الأنماط. تشمل المساهمات البارزة الأخرى استراتيجية التجميع التي استخدمها هنري وآخرون باستخدام U-Nets ثلاثية الأبعاد ذات التجميع الذاتي لتعزيز قوة التنبؤ، ودمج شبكات التصنيف من قبل نغوين وآخرين لتحسين دقة التجزئة. كما يذكر المؤلفون إدخال شبكات دمج متعددة الأنماط وشبكات دمج واعية بالمنطقة، التي تعالج التحديات مثل النماذج المفقودة وتعزز استخراج الميزات من خلال تقنيات التجميع المتقدمة.
يؤكد المؤلفون على أهمية هذه الدراسات في تقدم مجال تجزئة أورام الدماغ، مع الاعتراف أيضًا بالحاجة إلى مزيد من البحث للتغلب على القيود الحالية. يقترحون أن الجمع بين نقاط القوة من منهجيات مختلفة يمكن أن يؤدي إلى تحسين الدقة والكفاءة في نماذج التجزئة الآلية. بالإضافة إلى ذلك، يشيرون إلى الأعمال الحديثة التي تستخدم التعلم الفيدرالي واستراتيجيات التجميع، التي أظهرت نتائج واعدة على مجموعة بيانات BraTS 2020، مما يشير إلى اتجاه نحو أساليب أكثر تعاونًا ووعيًا بالخصوصية في التصوير الطبي. بشكل عام، يسلط القسم الضوء على المشهد الديناميكي لبحث تجزئة أورام الدماغ وإمكانية الابتكارات المستقبلية.
DOI: https://doi.org/10.1371/journal.pone.0336514
PMID: https://pubmed.ncbi.nlm.nih.gov/41628243
Publication Date: 2026-02-02
Author(s): Zhenyun Du et al.
Primary Topic: Brain Tumor Detection and Classification
Overview
The study presents a novel approach to brain tumor segmentation using a modified U-Net 3D architecture that incorporates a new 3D pooling layer. This innovation addresses the limitations of traditional pooling methods by accounting for the spatial interdependencies of MRI pixels, which enhances the model’s ability to accurately delineate complex tumor structures. The proposed method was evaluated on the BraTS2020 dataset through five-fold cross-validation, achieving impressive Dice coefficients of 0.8299 for enhancing tumor (ET), 0.8882 for tumor core (TC), and 0.8986 for whole tumor (WT), alongside a Hausdorff distance (HD95) reduction, indicating significant improvements over conventional max-pooling techniques.
The findings underscore the robustness and potential of this approach to advance automated brain tumor segmentation in medical imaging. The study also highlights the use of two independent normalization pipelines to optimize performance, suggesting avenues for future research that could include exploring additional normalization techniques, integrating multimodal imaging data, and enhancing model interpretability. These developments aim to improve clinical practices and foster the adoption of automated segmentation tools in healthcare settings, ultimately contributing to more effective diagnosis and treatment planning for brain tumors.
Introduction
The introduction of this research paper highlights the significance of medical image processing in enhancing the quality and analysis of images from various imaging modalities, particularly in the context of brain tumor diagnosis. Brain tumors, which can be benign or malignant, present diverse symptoms and are primarily diagnosed using MRI and CT scans, with PET also playing a supportive role. The paper emphasizes the critical need for accurate segmentation of tumor subregions—such as enhancing tumor (ET), tumor core (TC), and whole tumor (WT)—to inform treatment planning and monitor disease progression effectively.
The study proposes a novel approach to brain tumor segmentation using a Related 3D Pooling operator integrated into a 3D U-Net architecture, addressing challenges such as boundary fidelity and intersite intensity heterogeneity. By employing dual normalization techniques and fusing predictions through probability averaging, the method demonstrates superior performance on the BraTS-2020 dataset, achieving Dice scores of 0.8299, 0.8882, and 0.8986 for ET, TC, and WT, respectively. The introduction concludes by underscoring the advantages of deep learning techniques over traditional methods, including enhanced accuracy, reduced variability, and the potential for early tumor detection and continuous monitoring, setting the stage for the subsequent sections of the paper that detail the methodology, experimental setup, results, and future research directions.
Methods
In this study, two distinct training pipelines were developed utilizing a shared neural network architecture based on the 3D U-Net model, which is widely recognized for its efficacy in medical image segmentation. The implementation of separate pipelines, referred to as pipeline A and pipeline B, aimed to enhance diversity in network predictions and explore variations in performance outcomes. This section outlines the methodologies employed in each pipeline and highlights their key differences.
Furthermore, the research investigated the influence of various pooling layers on segmentation results, detailing the specific types utilized. In addition to the conventional max pooling layer, a novel pooling layer termed “related 3D pooling” was introduced. The integration of both max pooling and related pooling was designed to evaluate the effects of these pooling strategies on the overall performance of the model. The subsequent sections will provide a comprehensive analysis of each pipeline and the distinct impacts of the pooling layers, as illustrated in Figure 2, which presents the flowchart of the proposed methodology.
Results
The results of the experiments conducted to evaluate the proposed brain tumor segmentation models are presented, highlighting the effectiveness of a 3D clustering approach integrated into the U-Net 3D architecture. The models were assessed using various metrics, including Dice similarity coefficients, sensitivity, specificity, and Hausdorff distances, demonstrating their capability to accurately delineate enhanced tumors, tumor cores, and whole tumors. Notably, the models achieved a Dice coefficient greater than 0.8 for each tumor region, with the whole tumor (WT) region exhibiting higher scores due to its larger area, which includes enhancing tumor regions as well as surrounding necrotic areas and edema.
The performance evaluation indicated that the models maintained a stable loss of around 10% from epoch 100 onwards, suggesting effective generalization beyond the validation set. The Dice scores for the segmentation of the three tumor regions fluctuated between 0.80 and 0.93, indicating overall strong performance. Specifically, the enhanced tumor (ET) metric values for both Model 1 and Model 2 approached 1, reflecting close alignment with ground truth values. Supplementary data in Table 2 provides further insights into the models’ performance trends during the latter training stages, enhancing the understanding of their behavior and efficacy.
Discussion
In the discussion section of the paper, the authors review various advancements in brain tumor segmentation models, particularly those utilizing the BraTS 2020 dataset. They highlight several innovative approaches, such as Wang et al.’s modality-pairing learning with a 3D U-Net architecture, which effectively captures complementary information from multimodal MRI data. Other notable contributions include Henry et al.’s ensemble strategy using self-assembled 3D U-Nets to enhance prediction robustness, and Nguyen et al.’s integration of classification networks to improve segmentation accuracy. The authors also mention the introduction of multi-modality fusion networks and region-aware fusion networks, which address challenges like missing modalities and enhance feature extraction through advanced pooling techniques.
The authors emphasize the importance of these studies in advancing the field of brain tumor segmentation, while also acknowledging the need for further research to overcome existing limitations. They suggest that combining strengths from various methodologies could lead to improved accuracy and efficiency in automated segmentation models. Additionally, they reference recent works employing federated learning and ensemble strategies, which have demonstrated promising results on the BraTS 2020 dataset, indicating a trend towards more collaborative and privacy-aware approaches in medical imaging. Overall, the section underscores the dynamic landscape of brain tumor segmentation research and the potential for future innovations.