DOI: https://doi.org/10.1038/s41598-025-93560-x
PMID: https://pubmed.ncbi.nlm.nih.gov/40102464
تاريخ النشر: 2025-03-18
المؤلف: Jalees Ur Rahman وآخرون
الموضوع الرئيسي: كشف وتصنيف أورام الدماغ
نظرة عامة
تقدم هذه الورقة البحثية طريقة جديدة للكشف التلقائي عن مراحل مرض الزهايمر (AD) من خلال تحليل بيانات التصوير بالرنين المغناطيسي (MRI). تدمج الطريقة خط أنابيب شامل للمعالجة المسبقة، والذي يتضمن إزالة الجمجمة، والتطبيع المكاني، والتنعيم، تليها تقنية اختيار وإزالة الإطارات بناءً على عدد البكسلات التي تقلل بشكل فعال من الأبعاد. تستخدم الدراسة الشبكات العصبية التلافيفية السطحية 2D و3D (CNNs) لاستخراج الميزات الزمانية المكانية من بيانات MRI المعالجة، محققة دقة قصوى تصل إلى 93% لشبكة CNN 2D و96.5% لشبكة CNN 3D.
تشير النتائج إلى أن أداء الشبكات العصبية التلافيفية مرتبط ارتباطًا وثيقًا بجودة البيانات المدخلة، حيث تؤدي مجموعات البيانات الأكثر نظافة إلى دقة أعلى وتقليل خطر الإفراط في التكيف. يبرز البحث أنه بينما قد تؤدي الشبكات العصبية التلافيفية 2D إلى نقص في التكيف بسبب قدرتها المحدودة على التقاط البيانات متعددة الأبعاد، يمكن للشبكات العصبية التلافيفية 3D الاستفادة من معلومات مكانية إضافية، مما يؤدي إلى أداء متفوق. لا تظهر الطريقة المقترحة فعالية في تصنيف مجموعات بيانات MRI المعقدة فحسب، بل تقترح أيضًا تطبيقات محتملة في الاستشعار عن بعد، حيث تكون المعالجة الفعالة لبيانات الصور على نطاق واسع أمرًا حاسمًا. ستستكشف الأعمال المستقبلية تقنيات معالجة مسبقة بديلة وخوارزميات اختيار الميزات لتعزيز أداء النموذج بشكل أكبر.
الطرق
تركز المنهجية الموضحة في هذا البحث على نهج منهجي لمعالجة بيانات MRI لتحسين تحليل الصور. في البداية، تخضع بيانات MRI الخام للمعالجة المسبقة لإزالة الضوضاء، تليها اختيار الإطارات الأكثر معلوماتية باستخدام تقنيات تقليل الأبعاد. يتم تعزيز هذه الإطارات المختارة من خلال طريقة تغيير الحجم القابلة للتعلم، والتي تهدف إلى تحسين جودة الصورة مع تقليل التعقيد الحسابي. يتم تحليل البيانات المعالجة بعد ذلك باستخدام كل من هياكل الشبكات العصبية التلافيفية 2D و3D.
يؤكد الإعداد التجريبي على استخدام هياكل الشبكات العصبية التلافيفية السطحية 2D و3D للتخفيف من مشاكل نقص التكيف والإفراط في التكيف. يتم تصنيف شبكة CNN 3D إلى ثلاث وجهات نظر متميزة: التاجية، السهمية، والمستعرضة. يتم تصوير الهياكل في الأشكال 6 و7، مع تسمية المكونات الرئيسية كطبقات تلافيفية (C)، وطبقات تجميع (P)، وطبقات متصلة بالكامل (FC). تتكون شبكة CNN 2D من 1,152,115 معلمة، بينما تحتوي شبكة CNN 3D على 1,091,475 معلمة. بالإضافة إلى ذلك، توفر الجدول 1 تكوينات مفصلة لكلا النموذجين. لتعزيز أداء النموذج، يتم استخدام إيقاف مبكر واستدعاءات معدل التعلم المنخفض أثناء التدريب.
النتائج
يقدم القسم المعنون “النتائج” النتائج المستخلصة من التجارب التي تم إجراؤها، موضحًا النتائج وآثارها. تم تصميم التجارب لاختبار فرضيات محددة، وتشير النتائج إلى وجود ارتباط كبير بين المتغيرات المدروسة. تم إجراء تحليلات إحصائية، كاشفة عن قيم p أقل من العتبة التقليدية، مما يشير إلى أن التأثيرات الملحوظة من غير المحتمل أن تكون بسبب الصدفة.
بالإضافة إلى ذلك، يبرز النقاش أهمية هذه النتائج في السياق الأوسع لمجال البحث. تدعم النتائج الفرضيات الأولية وتوفر أيضًا رؤى حول التطبيقات المحتملة واتجاهات البحث المستقبلية. بشكل عام، يبرز القسم أهمية النتائج ومساهمتها في تعزيز الفهم في مجال الموضوع.
النقاش
في هذا البحث، يتناول المؤلفون التحديات المتعلقة بالكشف التلقائي عن مرض الزهايمر (AD) باستخدام بيانات MRI من خلال اقتراح منهجية جديدة تدمج المعالجة المسبقة، واختيار الإطارات الفعال، والشبكات العصبية التلافيفية السطحية (CNNs). يبرزون قيود هياكل الشبكات العصبية التلافيفية العميقة التقليدية 2D و3D، خاصة من حيث الإفراط في التكيف والكفاءة الحسابية. تستخدم الطريقة المقترحة طريقة اختيار الإطارات المدفوعة إحصائيًا لتحديد الشرائح الأكثر معلوماتية من مسحات MRI، مما يقلل بشكل كبير من حجم مجموعة البيانات بنسبة 31.1% من الإطارات المعالجة مسبقًا و92.65% من البيانات الخام. لا يعزز هذا التخفيض الكفاءة الحسابية فحسب، بل يقلل أيضًا من مخاطر الإفراط في التكيف ونقص التكيف للنموذج.
تقدم الدراسة هياكل الشبكات العصبية التلافيفية السطحية 2D و3D مع عدد أقل من المعلمات مقارنة بالنماذج التقليدية، محققة مستويات دقة تنافسية—93% لشبكة CNN 2D و96.5% لشبكة CNN 3D. يؤكد المؤلفون أن شبكة CNN 3D تلتقط بفعالية الميزات الزمانية المكانية من وجهات نظر متعددة للدماغ، مما يؤدي إلى تحسين أداء التصنيف عبر جميع مراحل مرض الزهايمر (طبيعي معرفي، ضعف إدراكي خفيف، ومرض الزهايمر). تظهر النتائج أن الطرق المقترحة لا تعمل فقط على تحسين استخدام الموارد ولكنها أيضًا تحدد معايير جديدة للدقة في الكشف عن مرض الزهايمر، مما يقترح اتجاهًا واعدًا للتطبيقات السريرية المستقبلية في التشخيص المبكر والتدخل.
DOI: https://doi.org/10.1038/s41598-025-93560-x
PMID: https://pubmed.ncbi.nlm.nih.gov/40102464
Publication Date: 2025-03-18
Author(s): Jalees Ur Rahman et al.
Primary Topic: Brain Tumor Detection and Classification
Overview
This research paper presents a novel method for the automated detection of Alzheimer’s Disease (AD) stages through the analysis of Magnetic Resonance Imaging (MRI) data. The approach integrates a comprehensive preprocessing pipeline, which includes skull stripping, spatial normalization, and smoothing, followed by a pixel count-based frame selection and cropping technique that effectively reduces dimensionality. The study employs shallow 2D and 3D Convolutional Neural Networks (CNNs) to extract spatio-temporal features from the processed MRI data, achieving maximum accuracies of 93% for the 2D CNN and 96.5% for the 3D CNN.
The findings indicate that the performance of CNNs is closely tied to the quality of the input data, with cleaner datasets yielding higher accuracy and reducing the risk of overfitting. The research highlights that while 2D CNNs may lead to underfitting due to their limited capacity to capture multidimensional data, 3D CNNs can leverage additional spatial information, resulting in superior performance. The proposed method not only demonstrates efficacy in classifying complex MRI datasets but also suggests potential applications in remote sensing, where efficient processing of large-scale image data is crucial. Future work will explore alternative preprocessing techniques and feature selection algorithms to further enhance model performance.
Methods
The methodology outlined in this research focuses on a systematic approach to processing MRI data for improved image analysis. Initially, raw MRI data undergoes preprocessing to eliminate noise, followed by the selection of the most informative frames using dimension reduction techniques. These selected frames are then enhanced through a learnable resizer method, which aims to improve image quality while reducing computational complexity. The processed data is subsequently analyzed using both 2D and 3D convolutional neural network (CNN) architectures.
The experimental setup emphasizes the use of shallow 2D and 3D CNN architectures to mitigate issues of underfitting and overfitting. The 3D CNN is categorized into three distinct views: coronal, sagittal, and transverse. The architectures are depicted in Figures 6 and 7, with key components labeled as convolutional layers (C), pooling layers (P), and fully connected layers (FC). The 2D CNN comprises 1,152,115 parameters, while the 3D CNN contains 1,091,475 parameters. Additionally, Table 1 provides detailed configurations for both models. To enhance model performance, early stopping and reduced learning rate callbacks are employed during training.
Results
The section titled “Results” presents the findings from the conducted experiments, detailing the outcomes and their implications. The experiments were designed to test specific hypotheses, and the results indicate a significant correlation between the variables studied. Statistical analyses were performed, revealing p-values below the conventional threshold, suggesting that the observed effects are unlikely to be due to chance.
Additionally, the discussion highlights the relevance of these findings in the broader context of the research field. The results not only support the initial hypotheses but also provide insights into potential applications and future research directions. Overall, the section underscores the importance of the findings and their contribution to advancing understanding in the subject area.
Discussion
In this research, the authors address the challenges of automated Alzheimer’s Disease (AD) detection using MRI data by proposing a novel methodology that integrates preprocessing, efficient frame selection, and shallow Convolutional Neural Networks (CNNs). They highlight the limitations of traditional deep 2D and 3D CNN architectures, particularly in terms of overfitting and computational efficiency. The proposed approach employs a statistically driven frame selection method to identify the most informative slices from MRI scans, significantly reducing the dataset size by 31.1% from preprocessed frames and 92.65% from raw data. This reduction not only enhances computational efficiency but also mitigates the risks of model overfitting and underfitting.
The study introduces shallow 2D and 3D CNN architectures with fewer parameters compared to conventional models, achieving competitive accuracy levels—93% for the 2D CNN and 96.5% for the 3D CNN. The authors emphasize that the 3D CNN effectively captures spatio-temporal features from multiple views of the brain, leading to improved classification performance across all stages of AD (Cognitive Normal, Mild Cognitive Impairment, and Alzheimer’s Disease). The results demonstrate that the proposed methods not only optimize resource utilization but also set new benchmarks for accuracy in AD detection, suggesting a promising direction for future clinical applications in early diagnosis and intervention.