DOI: https://doi.org/10.1038/s41598-026-44524-2
PMID: https://pubmed.ncbi.nlm.nih.gov/41851362
تاريخ النشر: 2026-03-18
المؤلف: Badhan Kumar Das وآخرون
الموضوع الرئيسي: كشف وتصنيف أورام الدماغ
نظرة عامة
تقدم ورقة البحث نهجًا جديدًا لتحديد نزيف الدماغ من التصوير بالرنين المغناطيسي (MRI) باستخدام محول رؤية متعدد الطائرات ثلاثي الأبعاد (MP-ViT). غالبًا ما تعيد الطرق التقليدية أخذ عينات من صور الرنين المغناطيسي إلى مستوى ثابت، مما قد يؤدي إلى فقدان معلومات حيوية، خاصة عند التعامل مع الاتجاهات المتغيرة. يتناول MP-ViT هذا التحدي من خلال استخدام محولين منفصلين للتشفير للتباينات المحورية والسهمية، مما يدمج المعلومات عبر الاتجاهات من خلال آليات الانتباه المتبادل. بالإضافة إلى ذلك، يتضمن متجه إشارة الوضعية لتعويض المعلومات المفقودة عن التباين.
تظهر التجارب الواسعة على مجموعة بيانات سريرية تتكون من 10,084 موضوع تدريب، 1,289 موضوع تحقق، و1,496 موضوع اختبار أن MP-ViT يعزز بشكل كبير أداء تصنيف النزيف. يحقق تحسينًا ملحوظًا في المساحة تحت المنحنى (AUC)، متجاوزًا محول الرؤية (ViT) بنسبة 5.5% والهياكل المعتمدة على CNN بنسبة 1.8%. تؤكد النتائج فعالية MP-ViT في إدارة تعقيدات بيانات الاتجاه المتغيرة، مما يشير إلى أن مبادئ تصميمه قد تكون مفيدة للأنظمة المستقبلية التي تحتاج إلى استيعاب التباين الموجود في البيانات السريرية الواقعية.
الطرق
تحدد قسم “الطرق” الإجراءات التجريبية والتحليلية المستخدمة في الدراسة. استخدم الباحثون مزيجًا من الأساليب الكمية والنوعية لجمع البيانات، مما يضمن تحليلًا شاملاً للظواهر قيد التحقيق. شملت المنهجيات المحددة تجارب محكومة، ونمذجة إحصائية، ومحاكاة، تم تصميمها لاختبار الفرضيات التي تم صياغتها في الأقسام السابقة من الورقة.
شملت جمع البيانات استخدام أدوات وبروتوكولات موحدة لضمان الموثوقية والصلاحية. تم إجراء التحليل باستخدام تقنيات إحصائية متقدمة، بما في ذلك تحليل الانحدار واختبار الفرضيات، لاستخلاص استنتاجات ذات مغزى من البيانات. يبرز القسم أهمية إمكانية التكرار والشفافية في الطرق المستخدمة، موفرًا تفاصيل كافية للباحثين الآخرين لتكرار الدراسة. بشكل عام، أسست الإطار المنهجي قاعدة قوية للنتائج المقدمة في الأقسام اللاحقة.
النتائج
تسلط النتائج المقدمة في الجدول 2 الضوء على أداء نماذج مختلفة لتصنيف نزيف الدماغ باستخدام صور MR غير متجانسة متعددة عبر اتجاهات مختلفة. حقق نموذج MP-ViT أعلى مساحة تحت المنحنى (AUC) تبلغ 0.854، متفوقًا على نماذج أخرى مثل ViT (AUC = 0.799)، ResNet (AUC = 0.817)، المحول متعدد المراحل (AUC = 0.808)، المحول المعتمد على ICH (AUC = 0.822)، وDenseNet (AUC = 0.836). يشير هذا إلى أن MP-ViT يظهر أداءً تمييزيًا متفوقًا في هذا السياق. يدعم منحنى خصائص التشغيل (ROC)، الموضح في الشكل 3، هذه النتائج بشكل أكبر.
بالإضافة إلى ذلك، أكدت التحليلات الإحصائية باستخدام اختبار مك نيمار أن الفروق في الأداء بين MP-ViT والنماذج الأخرى (ViT، ResNet، DenseNet، المحول متعدد المراحل، والمحولات المعتمدة على ICH) ذات دلالة إحصائية (p < 0.05)، كما هو موضح في الجدول 3. كشفت دراسة إلغاء على نموذج MP-ViT، تقارن التكوينات مع وبدون وحدة الانتباه المتبادل لمتجه إشارة الوضعية، عن تحسين يزيد عن 1% في الأداء عند تضمين متجه إشارة الوضعية، مما يظهر قوة النموذج في التعامل مع المدخلات المرنة ذات التباينات المتغيرة.
المناقشة
في هذه الدراسة، يقدم المؤلفون نموذج محول رؤية متعدد الطائرات (MP-ViT) لتصنيف نزيف الدماغ باستخدام بيانات MRI ثلاثية الأبعاد. تتكون مجموعة البيانات من 10,084 موضوع تدريب، 1,289 موضوع تحقق، و1,496 موضوع اختبار، مع التركيز على النزيف داخل الجمجمة الحاد وتحت الحاد. يدمج هيكل النموذج معالجة الصور المحورية والسهمية من خلال إطار عمل محول مزدوج الفرع، مستخدمًا آليات الانتباه المتبادل لتعزيز استخراج الميزات من المدخلات متعددة الطائرات. تشير النتائج إلى أن MP-ViT يتفوق بشكل كبير على النماذج التقليدية، بما في ذلك تكوينات مختلفة من محولات الرؤية (ViT)، ResNet، وDenseNet، محققًا مقاييس أفضل للمساحة تحت المنحنى (AUC)، والحساسية، والنوعية.
تسلط النتائج الرئيسية الضوء على أهمية متجه إشارة الوضعية، الذي يحسن من قوة النموذج من خلال استيعاب التباينات المفقودة في التصوير، وهي مشكلة شائعة في الإعدادات السريرية. يحافظ هيكل MP-ViT على أداء عالٍ حتى مع البيانات غير المكتملة، مما يوضح جدواه السريرية لتشخيصات MRI. يعترف المؤلفون بالقيود، بما في ذلك تركيز الدراسة على مهمة واحدة واستبعاد الصور التاجية، مما يشير إلى أن العمل المستقبلي يمكن أن يستكشف هذه الجوانب لتحسين الأداء. بشكل عام، يقدم نموذج MP-ViT نهجًا واعدًا لتحسين تصنيف النزيف في MRI، مما قد يساعد أطباء الأشعة في التشخيصات الدقيقة وفي الوقت المناسب.
DOI: https://doi.org/10.1038/s41598-026-44524-2
PMID: https://pubmed.ncbi.nlm.nih.gov/41851362
Publication Date: 2026-03-18
Author(s): Badhan Kumar Das et al.
Primary Topic: Brain Tumor Detection and Classification
Overview
The research paper presents a novel approach for identifying brain hemorrhages from magnetic resonance imaging (MRI) using a 3D multi-plane vision transformer (MP-ViT). Traditional methods often resample MRI images to a fixed plane, which can result in loss of critical information, especially when dealing with varying orientations. The proposed MP-ViT addresses this challenge by utilizing two separate transformer encoders for axial and sagittal contrasts, integrating information across orientations through cross-attention mechanisms. Additionally, it incorporates a modality indication vector to compensate for missing contrast information.
Extensive experiments on a clinical dataset comprising 10,084 training, 1,289 validation, and 1,496 test subjects demonstrate that MP-ViT significantly enhances hemorrhage classification performance. It achieves a notable improvement in the area under the curve (AUC), surpassing the vision transformer (ViT) by 5.5% and CNN-based architectures by 1.8%. The findings underscore the effectiveness of MP-ViT in managing the complexities of varying orientation data, suggesting that its design principles could be beneficial for future systems that need to accommodate the variability inherent in real-world clinical data.
Methods
The “Methods” section outlines the experimental and analytical procedures employed in the study. The researchers utilized a combination of quantitative and qualitative approaches to gather data, ensuring a comprehensive analysis of the phenomena under investigation. Specific methodologies included controlled experiments, statistical modeling, and simulations, which were designed to test the hypotheses formulated in the earlier sections of the paper.
Data collection involved the use of standardized instruments and protocols to ensure reliability and validity. The analysis was performed using advanced statistical techniques, including regression analysis and hypothesis testing, to draw meaningful conclusions from the data. The section emphasizes the importance of replicability and transparency in the methods employed, providing sufficient detail for other researchers to replicate the study. Overall, the methodological framework established a robust basis for the findings presented in the subsequent sections.
Results
The results presented in Table 2 highlight the performance of various models for brain hemorrhage classification using multiple anisotropic MR images across different orientations. The MP-ViT model achieved the highest Area Under the Curve (AUC) of 0.854, outperforming other models such as ViT (AUC = 0.799), ResNet (AUC = 0.817), Multi-stage Transformer (AUC = 0.808), Transformer-based ICH (AUC = 0.822), and DenseNet (AUC = 0.836). This indicates that MP-ViT demonstrates superior discriminative performance in this context. The Receiver Operating Characteristic (ROC) curve, illustrated in Fig. 3, further supports these findings.
Additionally, statistical analysis using McNemar’s test confirmed that the performance differences between MP-ViT and the other models (ViT, ResNet, DenseNet, Multi-stage Transformer, and Transformer-based ICH) are statistically significant (p < 0.05), as detailed in Table 3. An ablation study on the MP-ViT model, comparing configurations with and without the modality indication vector cross-attention module, revealed an improvement of over 1% in performance when the modality indication vector was included, demonstrating the model's robustness in handling flexible inputs with varying contrast modalities.
Discussion
In this study, the authors present a Multi-plane Vision Transformer (MP-ViT) model for classifying brain hemorrhages using 3D MRI data. The dataset comprises 10,084 training, 1,289 validation, and 1,496 test subjects, with a focus on acute and subacute intracranial hemorrhages. The model architecture integrates axial and sagittal image processing through a dual-branch transformer framework, employing cross-attention mechanisms to enhance feature extraction from multi-plane inputs. The results indicate that MP-ViT significantly outperforms traditional models, including various configurations of Vision Transformers (ViT), ResNet, and DenseNet, achieving superior area under the curve (AUC) metrics, sensitivity, and specificity.
Key findings highlight the importance of the modality indication vector, which improves model robustness by accommodating missing imaging contrasts, a common issue in clinical settings. The MP-ViT architecture maintains high performance even with incomplete data, demonstrating its clinical feasibility for MRI diagnostics. The authors acknowledge limitations, including the study’s focus on a single task and the exclusion of coronal images, suggesting future work could explore these aspects for enhanced performance. Overall, the MP-ViT model offers a promising approach for improving hemorrhage classification in MRI, potentially aiding radiologists in timely and accurate diagnoses.