DOI: https://doi.org/10.1007/s10462-025-11151-8
تاريخ النشر: 2025-03-03
المؤلف: Leyi Xiao وآخرون
الموضوع الرئيسي: كشف وتصنيف أورام الدماغ
نظرة عامة
تقدم البحث طريقة مبتكرة لتقسيم أورام الدماغ في صور الرنين المغناطيسي تلقائيًا تُسمى AS-WEC، والتي تدمج ميزات الحواف الضعيفة والسياق لتعزيز دقة التقسيم. تستخدم الطريقة الكشف التكيفي عن الحواف الضعيفة باستخدام عتبة أوزو المزدوجة (Otsu-WD) لتمييز حواف الورم بفعالية عن الهياكل الطبيعية للدماغ، مما يعالج المشكلة الشائعة للحدود الضبابية في صور الرنين المغناطيسي. بالإضافة إلى ذلك، تم تطوير شبكة تفرع الحواف باستخدام وحدات متكررة مغلقة (GRU) للحفاظ على معلومات سياق الحواف، بينما تم تقديم آلية دمج مؤشرات القصوى لتحسين دمج خرائط الميزات متعددة الطبقات، مع الحفاظ على التفاصيل الحرجة للحواف خلال عملية الدمج.
تشير النتائج التجريبية إلى أن AS-WEC تتفوق بشكل كبير على الخوارزميات التقليدية مثل Canny وTEED في كشف الحواف، وتحقق أداءً أفضل في التقسيم مقارنة بالنماذج المعروفة مثل UNet++ وPVT-Former، مع معامل Dice يبلغ 92.96% ومتوسط تقاطع على اتحاد (mIoU) يبلغ 93.12%. بينما تُظهر الطريقة أداءً قويًا، يعترف المؤلفون بالحاجة إلى مزيد من التقييم على مجموعات بيانات أكبر لتقييم قوتها واستقرارها في ظروف متنوعة. قد تسهل التطورات المستقبلية في تكنولوجيا التصوير الطبي الحصول على مجموعات بيانات شاملة أكثر لصور الرنين المغناطيسي ثلاثية الأبعاد للدماغ، مما يسمح بمزيد من تحسين طريقة AS-WEC وتطبيقاتها في معالجة الصور الطبية.
مقدمة
تسلط مقدمة الورقة الضوء على القضية الحرجة لأورام الدماغ، التي تتميز بمعدل حدوث ووفيات مرتفع، مع 24,810 حالة تم الإبلاغ عنها في الولايات المتحدة حتى عام 2023. يتم التأكيد على الاعتماد على الرنين المغناطيسي لتوصيف الأورام، مع الإشارة إلى طبيعته غير الغازية وفعاليته في عرض هياكل الدماغ. ومع ذلك، فإن التحديات مثل عيوب التصوير والطبيعة الذاتية للتشخيص اليدوي تعيق التقسيم الدقيق لآفات الورم، مما يستلزم تطوير طرق تقسيم أكثر كفاءة.
تستعرض الورقة تقنيات تقسيم متنوعة، بما في ذلك خوارزميات تقسيم المناطق ذات الاهتمام المعتمدة على الإحصاءات الرياضية وطرق التعلم الآلي مثل آلات الدعم الناقل (SVM) والتجمع الضبابي (fuzzy C-means). أظهرت التطورات الأخيرة في الذكاء الاصطناعي، وخاصة نماذج التعلم العميق مثل UNet، وعدًا في تحسين دقة التقسيم. ومع ذلك، لا تزال الطرق الحالية تواجه صعوبة في حواف الأورام الضبابية، وفقدان التفاصيل الحرجة في الشبكات الأعمق، ودمج غير كافٍ للميزات العالمية والمحلية. لمعالجة هذه القيود، يقترح المؤلفون طريقة جديدة تُسمى تقسيم أورام الدماغ في صور الرنين المغناطيسي تلقائيًا بناءً على الدمج العميق لميزات الحواف الضعيفة والسياق (AS-WEC)، والتي تتضمن تقنيات مبتكرة مثل الكشف التكيفي عن الحواف الضعيفة باستخدام عتبة أوزو ونموذج تفرع الحواف القائم على GRU لتعزيز أداء التقسيم. توضح الورقة هيكلها، مع تفاصيل الأقسام التالية التي تستعرض الأعمال ذات الصلة، وتصف الطريقة المقترحة، وتقدم تحليلات مقارنة للتحقق من فعاليتها.
طرق
في هذه الدراسة، استخدم المؤلفون إطار عمل التعلم العميق لتقييم أداء تقسيم صور الرنين المغناطيسي للدماغ باستخدام مجموعتين من البيانات: مجموعة بيانات تقسيم LGG وBraTS 2019. تم إجراء الإعداد التجريبي على وحدة معالجة الرسوميات NVIDIA RTX 3080 مع Ubuntu 20.04، باستخدام PyTorch 1.11.0 وCUDA 11.3 لتدريب النموذج. تضمنت المعلمات الرئيسية معدل تعلم قدره $1 \times 10^{-4}$، وحجم دفعة قدره 16، و50 دورة تدريبية. تضمنت مجموعة بيانات LGG 1,077 صورة من مرضى الأورام الدبقية منخفضة الدرجة، بينما تضمنت BraTS 2019 18,626 مسحًا متعدد الأنماط بالرنين المغناطيسي. تم تقسيم مجموعات البيانات إلى مجموعات تدريب واختبار بنسبة 80:20، وتم تدريب النماذج باستخدام هياكل تقسيم تقليدية مثل DeepLabv3+ وUNet++.
أظهر نموذج AS-WEC المقترح أداءً متفوقًا عبر عدة مقاييس تقييم، بما في ذلك Dice، ومتوسط الخطأ المطلق (MAE)، ومتوسط تقاطع على اتحاد (mIoU)، والدقة (Acc)، والمسافة هاوسدورف (HD 95)، متفوقًا على نماذج أخرى مثل MFER-Net وEGE-UNet. ومن الجدير بالذكر أن AS-WEC تميزت في تحديد حواف الورم وحققت أدنى HD 95. ومع ذلك، أظهرت أداءً أقل قليلاً في الحساسية (Sen) ومتوسط الدقة (mAP) مقارنةً بـ Trans-DeepLab وEGE-UNet. أكدت مزيد من التحقق على مجموعة بيانات BraTS2019 فعالية AS-WEC، مع تحسينات في Dice وmIoU و متوسط دقة البكسل (mPA) وAcc مقارنة بـ MSFR-Net، على الرغم من ميزة الأخيرة في التقاط الميزات ثلاثية الأبعاد. بشكل عام، أظهرت AS-WEC استقرارًا قويًا وتجانسًا في دقة تقسيم البكسل عبر كلا مجموعتي البيانات، مما يؤكد فعاليتها في تقسيم أورام الدماغ.
نقاش
تسلط قسم النقاش في ورقة البحث الضوء على التقدم في تقنيات كشف الحواف والتقسيم لتصوير الطبي، مع التركيز بشكل خاص على صور الرنين المغناطيسي للدماغ. تُعتبر خوارزمية كشف الحواف Canny فعالة في تحديد الحواف مع تقليل تداخل الضوضاء. يعزز Wu وآخرون (2023) دقة التقسيم الدلالي في الصور عالية الدقة من خلال الاستفادة من قدرات التوطين المكاني لـ Canny. تتضمن العملية تحويل الصور إلى تدرجات الرمادي، وتطبيق تصفية غاوسية، واستخدام مشغلات Sobel لحساب مقادير واتجاهات التدرج، تليها عملية عدم الحد الأقصى لتصفية كشف الحواف.
بالإضافة إلى ذلك، تتضمن خوارزمية تقسيم العتبة أوزو، كما تم تحسينها بواسطة Ma وCheng (2023)، خوارزمية جينية تكيفية لتسريع وتعزيز دقة التقسيم. تحسب هذه الطريقة احتمالات البكسل والتباينات لفئات المقدمة والخلفية، مما يعظم في النهاية التباين بين الفئات لاختيار العتبة المثلى. تناقش الورقة أيضًا قيود الطرق الحالية للتقسيم، مثل فقدان المعلومات السياقية في الشبكات العصبية العميقة والتحديات في الكشف بدقة عن الحواف الضعيفة في أورام الدماغ. لمعالجة هذه القضايا، يقترح المؤلفون طريقة AS-WEC، التي تدمج Otsu-WD لكشف الحواف الضعيفة، وتفرع سياق الحواف القائم على GRU لنقل الميزات السياقية، وآلية دمج مؤشرات القصوى لقناة الميزات متعددة الطبقات لتحقيق توازن بين المعلومات التفصيلية والدلالية أثناء التقسيم.
DOI: https://doi.org/10.1007/s10462-025-11151-8
Publication Date: 2025-03-03
Author(s): Leyi Xiao et al.
Primary Topic: Brain Tumor Detection and Classification
Overview
The research presents an innovative method for automatic brain MRI tumor segmentation called AS-WEC, which integrates weak edge and context features to enhance segmentation accuracy. The method employs the Otsu Double Threshold Weak Edges Adaptive Detection (Otsu-WD) to effectively distinguish tumor edges from normal brain structures, addressing the common issue of blurred boundaries in MRI images. Additionally, an edge branching network utilizing Gated Recurrent Units (GRU) is developed to maintain edge context information, while a maximum index fusion mechanism is introduced to optimize the integration of multilayer feature maps, preserving critical edge details during the fusion process.
Experimental results indicate that AS-WEC significantly outperforms traditional algorithms such as Canny and TEED in edge detection, and it achieves superior segmentation performance compared to established models like UNet++ and PVT-Former, with a Dice coefficient of 92.96% and a mean Intersection over Union (mIoU) of 93.12%. While the method demonstrates strong performance, the authors acknowledge the need for further evaluation on larger datasets to assess its robustness and stability in diverse conditions. Future advancements in medical imaging technology may facilitate the acquisition of more comprehensive 3D brain MRI datasets, allowing for continued refinement of the AS-WEC method and its applications in medical image processing.
Introduction
The introduction of the paper highlights the critical issue of brain tumors, which are characterized by a high incidence and mortality rate, with 24,810 reported cases in the United States as of 2023. The reliance on MRI for tumor characterization is emphasized, noting its non-invasive nature and effectiveness in displaying brain structures. However, challenges such as imaging artifacts and the subjective nature of manual diagnosis hinder accurate segmentation of tumor lesions, necessitating the development of more efficient segmentation methods.
The paper reviews various segmentation techniques, including region-of-interest segmentation algorithms based on mathematical statistics and machine learning approaches like Support Vector Machines (SVM) and fuzzy C-means clustering. Recent advancements in artificial intelligence, particularly deep learning models such as UNet, have shown promise in improving segmentation accuracy. However, existing methods still struggle with blurred tumor edges, loss of critical details in deeper networks, and inadequate fusion of global and local features. To address these limitations, the authors propose a novel method called Automatic brain MRI tumors Segmentation based on deep fusion of Weak Edge and Context features (AS-WEC), which incorporates innovative techniques such as Otsu Double threshold Weak-edges adaptive Detection and a GRU-based Edge Branch model to enhance segmentation performance. The paper outlines its structure, detailing subsequent sections that review related work, describe the proposed method, and present comparative analyses to validate its effectiveness.
Methods
In this study, the authors utilized a deep learning framework to evaluate brain MRI segmentation performance using two datasets: the LGG Segmentation Dataset and BraTS 2019. The experimental setup was conducted on an NVIDIA RTX 3080 GPU with Ubuntu 20.04, employing PyTorch 1.11.0 and CUDA 11.3 for model training. Key parameters included a learning rate of $1 \times 10^{-4}$, batch size of 16, and 50 epochs of training. The LGG dataset comprised 1,077 images from low-grade glioma patients, while BraTS 2019 included 18,626 multi-modal MRI scans. The datasets were split into training and test sets at an 80:20 ratio, and models were trained using classical segmentation architectures such as DeepLabv3+ and UNet++.
The proposed AS-WEC model demonstrated superior performance across multiple evaluation metrics, including Dice, Mean Absolute Error (MAE), Mean Intersection over Union (mIoU), Accuracy (Acc), and Hausdorff Distance (HD 95), outperforming other models like MFER-Net and EGE-UNet. Notably, AS-WEC excelled in identifying tumor edges and achieved the lowest HD 95. However, it showed slightly lower performance in Sensitivity (Sen) and mean Average Precision (mAP) compared to Trans-DeepLab and EGE-UNet. Further validation on the BraTS2019 dataset confirmed AS-WEC’s effectiveness, with improvements in Dice, mIoU, mean Pixel Accuracy (mPA), and Acc compared to MSFR-Net, despite the latter’s advantage in 3D feature capture. Overall, AS-WEC exhibited robust stability and uniformity in pixel segmentation accuracy across both datasets, affirming its efficacy in brain tumor segmentation.
Discussion
The discussion section of the research paper highlights advancements in edge detection and segmentation techniques for medical imaging, particularly focusing on brain MRI scans. The Canny edge detection algorithm is noted for its effectiveness in identifying edges while minimizing noise interference. Wu et al. (2023) enhance semantic segmentation accuracy in high-resolution images by leveraging Canny’s spatial localization capabilities. The process involves converting images to grayscale, applying Gaussian filtering, and utilizing Sobel operators to compute gradient magnitudes and directions, followed by Non-Maximum Suppression to refine edge detection.
Additionally, the Otsu threshold segmentation algorithm, as improved by Ma and Cheng (2023), incorporates an adaptive genetic algorithm to expedite and enhance segmentation accuracy. This method calculates pixel probabilities and variances for foreground and background classes, ultimately maximizing between-class variance for optimal threshold selection. The paper also discusses the limitations of existing segmentation methods, such as the loss of contextual information in deep neural networks and the challenges of accurately detecting weak edges in brain tumors. To address these issues, the authors propose the AS-WEC method, which integrates Otsu-WD for weak edge detection, a GRU-based edge context branch for contextual feature propagation, and a Multi-layer Feature Channel Max-index Fusion Mechanism to balance detailed and semantic information during segmentation.