DOI: https://doi.org/10.66279/vv8n5p41
تاريخ النشر: 2026-04-25
المؤلف: Maha Alabsi وآخرون
الموضوع الرئيسي: كشف وتصنيف أورام الدماغ
نظرة عامة
تقدم هذه الدراسة خط أنابيب آلي لتجزئة أورام الدماغ من التصوير بالرنين المغناطيسي (MRI) الذي يدمج اكتشاف الكائنات YOLOv8 مع نموذج Segment Anything (SAM). يعمل الخط الأوتوماتيكي دون تعديل معلمات أي من النموذجين، مستخدمًا مرحلة معالجة مسبقة خفيفة تتضمن إزالة الجمجمة وتعديل تباين الهيستوغرام التكيفي المحدود (CLAHE) لتحسين شرائح MRI. يحدد كاشف YOLOv8 صندوق الحدود الأكثر ثقة، والذي يعمل كتحفيز مكاني لـ SAM، مما يمكّن من تجزئة دقيقة. تظهر التقييمات على مجموعة بيانات تتكون من 1,226 صورة متوسط معامل تشابه دايس (DSC) قدره 0.8153 ± 0.032 ومتوسط تقاطع على اتحاد (IoU) قدره 0.7136 ± 0.028، مع زمن استدلال إجمالي قدره 473.76 مللي ثانية لكل صورة على وحدة معالجة الرسوميات NVIDIA T4.
تشير النتائج إلى أن الخط المقترح يعوض بشكل فعال الحاجة إلى توجيه مكاني يدوي أثناء الاستدلال، محققًا دقة تنافسية مع نماذج الأساس العامة في مهام التصوير الطبي المتخصصة. تسلط دراسة الإزالة الضوء على المساهمة الكبيرة لاكتشاف YOLOv8 في أداء التجزئة، محققة متوسط دقة متوسطة (mAP@0.5) قدره 0.91. تشير النتائج إلى أن التحفيزات المكانية التي يتم إنشاؤها بواسطة الكاشف يمكن أن تعزز أداء نماذج الأساس، مما يجعلها بدائل قابلة للتطبيق للشبكات المراقبة الخاصة بالمهام. ستركز الأعمال المستقبلية على إعادة تدريب القاعدة بشكل منظم، وتقييم الفئات لكل نوع من الأورام، وتحليلات مقارنة لتقنيات المعالجة المسبقة، وتوسيع النهج ليشمل التجزئة الحجمية الكاملة.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على التحديات الحرجة في تجزئة أورام الدماغ، وخاصة الورم الدبقي متعدد الأشكال، الذي يرتبط بمتوسط بقاء أقل من خمسة عشر شهرًا. إن التحديد الحجمي الدقيق للأورام والوذمة المحيطة بها أمر ضروري للعلاج الإشعاعي الفعال والتخطيط الجراحي. إن التجزئة اليدوية من قبل أطباء الأشعة الخبراء تستغرق وقتًا طويلاً، وغالبًا ما تتجاوز ست ساعات لكل مريض، مما يبرز الحاجة إلى حلول آلية. بينما يوفر التصوير بالرنين المغناطيسي تباينًا ممتازًا للأنسجة الرخوة، فإن الحدود غير الواضحة بين الورم والوذمة تعقد جهود التجزئة. أظهرت التطورات الأخيرة في التعلم العميق، وخاصة مع هياكل الترميز-فك الترميز مثل U-Net، وعدًا ولكنها تعاني من الحساسية تجاه تحولات التوزيع والتكلفة العالية للتعليقات التوضيحية على مستوى البكسل.
لمعالجة هذه القيود، تقدم الورقة خط أنابيب جديد يدمج YOLOv8، وهو كاشف أحادي المرحلة بدون مرساة، مع نموذج Segment Anything (SAM). يستخدم هذا النهج صناديق الحدود التي تم إنشاؤها بواسطة YOLOv8 لتوجيه عملية التجزئة لـ SAM، مما يعزز الدقة دون الحاجة إلى تحديثات المعلمات لـ SAM. تتضمن الطريقة المقترحة خطوات معالجة مسبقة مثل إزالة الجمجمة وتعديل تباين الهيستوغرام التكيفي المحدود (CLAHE) لتحسين موثوقية المدخلات. يقدم المؤلفون خط أنابيب تجزئة آلي بالكامل، بدون تحديثات للمعلمات، يعمل في الوقت الفعلي، محققًا زمن تأخير أقل من 500 مللي ثانية على أجهزة GPU. تستخدم الدراسة تقسيم مجموعة بيانات على مستوى المرضى لمنع تسرب البيانات وتوفر أدلة كمية تثبت أن التحفيز الموجه بواسطة الكاشف المقترح يتفوق على الطرق الحالية. توضح الورقة مساهماتها، بما في ذلك خط معالجة مسبقة مبدئي، وبروتوكول تقييم قوي، وتحليل مفصل للتفاعل بين جودة الاكتشاف ودقة التجزئة.
الطرق
تحدد المنهجية المقترحة نهجًا منهجيًا لمعالجة مشكلة البحث. تبدأ بمراجعة أدبية شاملة لتحديد الفجوات الموجودة وتأسيس إطار نظري. تتضمن المنهجية تقنيات نوعية وكمية، مما يضمن تحليلًا قويًا للبيانات التي تم جمعها.
سيتضمن جمع البيانات استبيانات وتجارب مصممة لاختبار الفرضيات المستمدة من الإطار النظري. سيتم استخدام طرق إحصائية، بما في ذلك تحليل الانحدار واختبار الفرضيات، لتحليل البيانات والتحقق من النتائج. تؤكد المنهجية على إمكانية التكرار والشفافية، مع بروتوكولات مفصلة لمعالجة البيانات وتحليلها لتسهيل الأبحاث المستقبلية في هذا المجال.
بشكل عام، تهدف المنهجية المقترحة إلى توفير أساس صارم لاستكشاف أسئلة البحث، مما يسهم في تقدم المعرفة في مجال الدراسة.
النتائج
تقدم قسم النتائج أداء خط أنابيب التجزئة الذي يستخدم YOLOv8 وSAM لتحليل أورام MRI. توضح الشكل 4 مخرجات التجزئة لاثنين من اتجاهات MRI: شريحة تاجية مع ورم غليوما أكبر وشريحة ساجيتالية مع آفة نخامية أصغر. في كلا الحالتين، تتماشى الأقنعة المتوقعة من YOLOv8 بشكل وثيق مع الحقيقة الأرضية من الخبراء، مما يظهر دقة مكانية عالية. يحدث تجزئة زائدة طفيفة في كلا المثالين، خاصة عند هوامش الورم، وهو ما يتماشى مع الذروة الثانوية الملحوظة في تحليل معامل تشابه دايس (DSC).
تسلط تفسير النتائج الضوء على تقسيم المهام الفعال داخل الخط، حيث يتفوق YOLOv8 في تحديد موقع الورم بسرعة بينما يركز SAM على تحديد الحدود بدقة. يقلل هذا التقسيم من الحاجة إلى ضبط SAM على بيانات MRI، مما يقلل من خطر الإفراط في التكيف وعبء التسمية. تشير دراسة الإزالة إلى أن التحفيز الموجه بواسطة YOLO يعزز الأداء بشكل كبير (DSC +0.069)، مع مساهمة إيجابية أيضًا من خطوات المعالجة المسبقة مثل إزالة الجمجمة وCLAHE. يكشف تحليل زمن التأخير أن دمج YOLOv8 يضيف وقت معالجة ضئيل (14.17 مللي ثانية)، مما يشير إلى أن تحسينات في مرحلة الاكتشاف يمكن أن تعزز دقة التجزئة دون تكاليف حسابية إضافية. بشكل عام، يحقق الخط المقترح DSC أعلى (0.8153) مقارنة بـ SAMed (0.7810)، مما يظهر أن استراتيجية التحفيز المنظمة يمكن أن تعوض بشكل فعال عن التكيف الواسع للمعلمات في تجزئة الصور الطبية.
المناقشة
تسلط قسم المناقشة في الورقة البحثية الضوء على عدة اعتبارات حرجة بشأن تقييم وأداء خط أنابيب تجزئة أورام الدماغ الآلي المقترح، الذي يدمج اكتشاف YOLOv8 مع نموذج Segment Anything (SAM). يعتمد التقييم على مجموعة بيانات واحدة، مما يثير مخاوف بشأن إمكانية تعميم النتائج عبر بروتوكولات اكتساب MRI وأنواع الماسحات المختلفة. يؤكد المؤلفون على الحاجة إلى التحقق المتبادل واختبار مجموعات خارجية للتحقق من قوة نموذجهم. بالإضافة إلى ذلك، يعترفون بأن المقارنات مع الطرق الحالية مستمدة من منشورات متنوعة، مما يتطلب تقييمات متحكم فيها على تقسيمات المرضى المتطابقة لتأكيد ادعاءات الأداء بشكل صارم.
ينتقد المؤلفون أيضًا طريقة إزالة الجمجمة الخاصة بهم، والتي، على الرغم من كفاءتها الحاسوبية، قد تفتقر إلى قوة الأساليب المعتمدة مثل FSL-BET أو HD-BET. يخططون لإجراء تقييمات مقارنة لتحديد تأثير طرق إزالة الجمجمة المختلفة على جودة التجزئة. علاوة على ذلك، يتم الإشارة إلى غياب التقييم لكل فئة، حيث تظهر أنواع الأورام تباينًا كبيرًا في الحجم وخصائص التباين، مما قد يؤثر على قرارات اعتماد العيادات. تختتم المناقشة بخارطة طريق للأعمال المستقبلية، بما في ذلك إعادة تدريب القواعد للمقارنة الدقيقة، وإجراء تقييمات لكل نوع من الأورام، واستكشاف متغيرات SAM خفيفة الوزن للنشر في بيئات ذات موارد محدودة. بشكل عام، تشير النتائج إلى أن نماذج الأساس العامة يمكن أن تحقق دقة تنافسية في التصوير الطبي عندما يتم توجيهها بواسطة تحفيزات منظمة، مما يسلط الضوء على الإمكانية لتطبيقات أوسع في البيئات السريرية.
القيود
تقر الدراسة الحالية بعدة قيود قد تؤثر على تفسير نتائجها. أولاً، قد لا تكون عينة البيانات كبيرة بما يكفي لتعميم النتائج عبر السكان الأوسع، مما قد يؤثر على القوة الإحصائية وموثوقية الاستنتاجات المستخلصة. بالإضافة إلى ذلك، قد تقدم منهجية الدراسة تحيزات قد تؤثر على النتائج، مثل تحيز الاختيار أو أخطاء القياس.
علاوة على ذلك، قد تكون الأبحاث مقيدة بعوامل خارجية لم يتم أخذها في الاعتبار، مما قد يؤثر على صحة النتائج. تبرز هذه القيود الحاجة إلى الحذر عند استنتاج النتائج وتقترح أن هناك حاجة إلى مزيد من البحث للتحقق من صحة وتوسيع استنتاجات الدراسة الحالية.
DOI: https://doi.org/10.66279/vv8n5p41
Publication Date: 2026-04-25
Author(s): Maha Alabsi et al.
Primary Topic: Brain Tumor Detection and Classification
Overview
This research presents an automated pipeline for brain tumor segmentation from magnetic resonance imaging (MRI) that integrates YOLOv8 object detection with the Segment Anything Model (SAM). The pipeline operates without modifying the parameters of either model, utilizing a lightweight preprocessing stage that includes skull stripping and Contrast Limited Adaptive Histogram Equalization (CLAHE) to enhance MRI slices. The YOLOv8 detector identifies the highest confidence bounding box, which serves as a spatial prompt for SAM, enabling accurate segmentation. Evaluation on a dataset of 1,226 images demonstrates a mean Dice Similarity Coefficient (DSC) of 0.8153 ± 0.032 and a mean Intersection over Union (IoU) of 0.7136 ± 0.028, with a total inference latency of 473.76 ms per image on an NVIDIA T4 GPU.
The findings indicate that the proposed pipeline effectively substitutes the need for manual spatial guidance during inference, achieving competitive accuracy with general-purpose foundation models in specialized medical imaging tasks. An ablation study highlights the significant contribution of YOLOv8 detection to segmentation performance, achieving a mean Average Precision (mAP@0.5) of 0.91. The results suggest that structured, detector-generated spatial prompts can enhance the performance of foundation models, making them viable alternatives to task-specific supervised networks. Future work will focus on controlled baseline retraining, per-class evaluation of tumor categories, comparative analyses of preprocessing techniques, and extending the approach to full volumetric segmentation.
Introduction
The introduction of this research paper highlights the critical challenges in the segmentation of brain tumors, particularly glioblastoma multiforme, which is associated with a median survival of less than fifteen months. Accurate volumetric delineation of tumors and surrounding edema is essential for effective radiotherapy and surgical planning. Manual segmentation by expert radiologists is time-consuming, often exceeding six hours per patient, underscoring the need for automated solutions. While MRI provides excellent soft-tissue contrast, the indistinct boundaries between tumor and edema complicate segmentation efforts. Recent advancements in deep learning, particularly with encoder-decoder architectures like U-Net, have shown promise but are hindered by sensitivity to distribution shifts and the high cost of pixel-level annotations.
To address these limitations, the paper introduces a novel pipeline that integrates YOLOv8, an anchor-free single-stage detector, with the Segment Anything Model (SAM). This approach utilizes bounding boxes generated by YOLOv8 to guide SAM’s segmentation process, enhancing accuracy without requiring parameter updates to SAM. The proposed method includes preprocessing steps such as skull stripping and Contrast Limited Adaptive Histogram Equalization (CLAHE) to improve input reliability. The authors present a fully automated, zero-parameter-update segmentation pipeline that operates in real-time, achieving sub-500 ms latency on GPU hardware. The study employs a patient-wise dataset partition to prevent data leakage and provides quantitative evidence demonstrating that the proposed detector-guided prompting outperforms existing methods. The paper outlines its contributions, including a principled preprocessing pipeline, a robust evaluation protocol, and a detailed analysis of the interplay between detection quality and segmentation accuracy.
Methods
The proposed methodology outlines a systematic approach to address the research problem. It begins with a comprehensive literature review to identify existing gaps and establish a theoretical framework. The methodology incorporates both qualitative and quantitative techniques, ensuring a robust analysis of the data collected.
Data collection will involve surveys and experiments designed to test the hypotheses derived from the theoretical framework. Statistical methods, including regression analysis and hypothesis testing, will be employed to analyze the data and validate the findings. The methodology emphasizes reproducibility and transparency, with detailed protocols for data handling and analysis to facilitate future research in the field.
Overall, the proposed methodology aims to provide a rigorous foundation for exploring the research questions, ultimately contributing to the advancement of knowledge in the area of study.
Results
The results section presents the performance of a segmentation pipeline utilizing YOLOv8 and SAM for MRI tumor analysis. Figure 4 illustrates segmentation outputs for two MRI orientations: a coronal slice with a larger glioma and a sagittal slice with a smaller pituitary lesion. In both cases, the YOLOv8 predicted masks closely align with the expert ground truth, demonstrating high spatial fidelity. Minor over-segmentation occurs in both examples, particularly at the tumor margins, which is consistent with the secondary peak observed in the Dice Similarity Coefficient (DSC) analysis.
The interpretation of results highlights the effective task decomposition within the pipeline, where YOLOv8 excels in rapid tumor localization while SAM focuses on precise boundary delineation. This division of labor minimizes the need for fine-tuning SAM on MRI data, thereby reducing the risk of overfitting and the labeling burden. An ablation study indicates that the YOLO-guided prompt significantly enhances performance (DSC +0.069), with preprocessing steps like skull stripping and CLAHE also contributing positively. The latency analysis reveals that YOLOv8’s integration adds minimal processing time (14.17 ms), suggesting that enhancements in the detection stage could further improve segmentation accuracy without additional computational costs. Overall, the proposed pipeline achieves a higher DSC (0.8153) compared to SAMed (0.7810), demonstrating that a well-structured prompting strategy can effectively substitute for extensive parameter adaptation in medical image segmentation.
Discussion
The discussion section of the research paper highlights several critical considerations regarding the evaluation and performance of the proposed automated brain tumor segmentation pipeline, which integrates YOLOv8 detection with the Segment Anything Model (SAM). The evaluation is based on a single dataset, raising concerns about the generalizability of the findings across different MRI acquisition protocols and scanner types. The authors emphasize the need for cross-validation and external cohort testing to validate the robustness of their model. Additionally, they acknowledge that comparisons with existing methods are drawn from various publications, necessitating controlled head-to-head evaluations on identical patient-wise partitions to substantiate performance claims rigorously.
The authors also critique their skull-stripping method, which, while computationally efficient, may lack the robustness of established techniques like FSL-BET or HD-BET. They plan to conduct comparative evaluations to quantify the impact of different skull-stripping methods on segmentation quality. Furthermore, the absence of per-class evaluation is noted, as tumor types exhibit significant variability in size and contrast characteristics, which could influence clinical adoption decisions. The discussion concludes with a roadmap for future work, including retraining baselines for rigorous comparison, conducting per-tumor-class evaluations, and exploring lightweight SAM variants for deployment in resource-constrained environments. Overall, the findings suggest that general-purpose foundation models can achieve competitive accuracy in medical imaging when guided by structured prompts, highlighting the potential for broader applications in clinical settings.
Limitations
The present study acknowledges several limitations that may impact the interpretation of its findings. Firstly, the sample size may not be sufficiently large to generalize the results across broader populations, potentially affecting the statistical power and reliability of the conclusions drawn. Additionally, the study’s methodology may introduce biases that could influence the outcomes, such as selection bias or measurement errors.
Furthermore, the research may be constrained by external factors not accounted for, which could affect the validity of the results. These limitations highlight the need for caution when extrapolating the findings and suggest that further research is necessary to validate and expand upon the current study’s conclusions.