DOI: https://doi.org/10.1038/s41598-024-54864-6
PMID: https://pubmed.ncbi.nlm.nih.gov/38403597
تاريخ النشر: 2024-02-26
المؤلف: Naira Elazab وآخرون
الموضوع الرئيسي: كشف وتصنيف أورام الدماغ
نظرة عامة
تقدم هذه الورقة البحثية نموذج تعلم عميق هجين جديد يدمج بين YOLOv5 و ResNet50 لتصنيف وتقييم الأورام الدبقية، وهي أورام دماغية أولية تنشأ من خلايا الدبق. يهدف النموذج إلى تعزيز علم الأمراض الرقمية من خلال تحديد وتصنيف الأورام بشكل فعال ضمن صور الشرائح النسيجية الكبيرة (WSIs). من خلال دمج ResNet50 في إطار عمل YOLOv5 لاستخراج الميزات، يعالج النهج المقترح التحديات مثل انفجار التدرج ويحسن دقة تحديد موقع الورم. يظهر النموذج مقاييس أداء مثيرة للإعجاب، حيث يحقق دقة بنسبة 97.2%، ودقة بنسبة 97.8%، وحساسية بنسبة 98.6%، ومعامل تشابه Dice بنسبة 97% في التمييز بين الأورام الدبقية منخفضة الدرجة (LGG) II و LGG III، متفوقاً على الطرق الحالية في الأدبيات.
يؤكد المؤلفون على أهمية تطوير تقنيات تشخيص غير جراحية وفعالة للأورام الدبقية، خاصة في بيئات الرعاية الصحية ذات الموارد المحدودة. بينما يظهر النموذج الحالي وعداً، فإنه يواجه قيوداً في تحديد الأورام ذات الأشكال غير النمطية. ستركز الأعمال المستقبلية على تعزيز قدرات النموذج لاكتشاف مجموعة أوسع من أنواع وأحجام الأورام، مع إمكانية دمج أنماط تصوير إضافية مثل التصوير بالرنين المغناطيسي أو الأشعة المقطعية. سيكون التحقق السريري على مجموعات بيانات أكبر وأكثر تنوعاً ضرورياً لتقييم قابلية تطبيق النموذج وفعاليته، بينما قد يؤدي استكشاف هياكل بديلة مثل DenseNet أو EfficientNet إلى تحسين نتائج التصنيف بشكل أكبر.
الطرق
في هذا القسم، يوضح المؤلفون المنهجيات المستخدمة في دراسات مختلفة تركز على تصنيف الأورام الدماغية وتوقع البقاء. تشمل الأساليب البارزة استخدام InceptionResNetV2 لاستخراج الميزات بشكل هرمي، محققاً دقة (ACC) بنسبة 95% لتصنيف الأورام الحميدة، والأوليغودينروغليومات، والأورام الدبقية (GBM). طورت دراسة أخرى بواسطة Yonekura وآخرون شبكة عصبية عميقة (DCNN) مكونة من 14 طبقة، محققة دقة (ACC) بنسبة 96.5% لتصنيف GBM. بالإضافة إلى ذلك، قدم Shirazi وآخرون DeepSurvNet، وهو مصنف قائم على GoogLeNet، والذي حقق دقة بنسبة 99% في توقع معدلات بقاء مرضى سرطان الدماغ.
كما يبرز المؤلفون استخدام الشبكات التنافسية التوليدية (GANs) لتوقع حالة الطفرة IDH في الأورام الدبقية، محققين دقة (ACC) بنسبة 85.3%. تشمل المنهجيات الأخرى شبكة CNN لمهمة واحدة لتصنيف الأورام الحميدة/الخبيثة بدقة (ACC) بنسبة 83.25%، ونهج هجين يجمع بين YOLOv5 و ResNet50 يهدف إلى تعزيز الأداء التشخيصي عبر درجات الأورام المختلفة. تم تصميم هذا النموذج الهجين لتحسين القابلية العامة والتعرف على الميزات، مع معالجة القيود في الأدبيات الحالية. تضمنت خطوات المعالجة المسبقة توحيد أحجام الصور وتعزيز الجودة، تلتها ضبط المعلمات الفائقة لـ ResNet50 لتحسين دقة التشخيص. تم تقييم أداء النموذج المقترح مقابل عدة نماذج متطورة باستخدام خمسة مقاييس أداء متميزة.
النتائج
تظهر نتائج نموذج التعلم العميق الهجين المقترح لتصنيف أورام الدماغ الدبقية أداءً قويًا على بيانات الاختبار غير المرئية، محققًا دقة (ACC) بنسبة 97.2%، وقيمة تنبؤية إيجابية (PPV) بنسبة 96.3%، ومعامل تشابه Dice (DSC) بنسبة 97.0%. يتفوق النموذج بشكل خاص في تحديد الأورام من الدرجة الرابعة، حيث تظهر الحساسية (SEN) والخصوصية (SPC) أيضًا نتائج إيجابية عبر جميع الفئات. تؤكد تحليل منحنى خصائص التشغيل المستقبلي (ROC) على أداء النموذج المتفوق مقارنةً بمصنفات أخرى، كما هو موضح في الأشكال والجداول المرفقة.
يجمع النموذج الهجين بين XGBoost للتصنيف، وYOLOv5 لاختيار الميزات واكتشاف الكائنات، وResNet50 لاستخراج الميزات، مما يعالج بفعالية التحديات المرتبطة بمعالجة الصور النسيجية، مثل أحجام صور الشرائح المتغيرة (WSI) واختيار منطقة الاهتمام (RoI). تم تحسين النموذج ليشمل حوالي 28.16 مليون معلمة، ويعالج الصور في حوالي 30 مللي ثانية على الأجهزة المحددة. تعزز التحقق المتقاطع مع 10 طيات من قوة التقييم، مما يضمن اختبارًا شاملاً عبر مجموعات بيانات متنوعة. بشكل عام، يتفوق النموذج المقترح على الطرق الحالية المتطورة، بما في ذلك VGG19 وInception V3، مما يشير إلى فعاليته في تصنيف درجات الأورام الدبقية بدقة.
المناقشة
تسلط قسم المناقشة في الورقة البحثية الضوء على التقدم في تحليل صور علم الأمراض النسيجية، خاصة من خلال تطبيق تقنيات التعلم العميق (DL). يقارن بين طرق استخراج الميزات التقليدية المصنوعة يدويًا مع الأساليب الحديثة للتعلم العميق، مؤكدًا على القدرة المتفوقة للشبكات العصبية التلافيفية (CNNs) على تعلم الأنماط المعقدة مباشرة من البيانات الخام. أظهرت العديد من الدراسات فعالية التعلم العميق في تصنيف أنواع مختلفة من الأورام الدماغية باستخدام صور ملونة بالهيماتوكسيلين والإيوزين (H&E)، محققة دقة تصنيف عالية. على سبيل المثال، حقق Sumi وآخرون دقة بنسبة 95% في تصنيف أنواع الأنسجة الدماغية باستخدام شبكة دمج مكانية، بينما استخدم Yonekura وآخرون نموذج CNN عميق لتصنيف صور الأورام الدبقية والأورام الدبقية منخفضة الدرجة بنتائج واعدة.
كما تحدد هذه القسم القيود في الأبحاث الحالية، مثل الاعتماد على طرق تقسيم الأورام الذاتية الكثافة وكثافة الحوسبة لبعض النماذج. يقترح نموذجًا هجينًا يدمج بين YOLOv5 لتحديد موقع الورم، وResNet50 لاستخراج الميزات، وXGBoost للتصنيف، بهدف تعزيز دقة التقييم وتمثيل الميزات. تعتبر خطوات المعالجة المسبقة، بما في ذلك تصفية الخلفية وتوحيد الصبغة، حاسمة لتحسين أداء النموذج، خاصة في التعامل مع تباين ألوان الصبغة عبر مجموعات بيانات مختلفة. بشكل عام، يسعى الإطار المقترح إلى معالجة تحديات تصنيف الأورام الدماغية في الصور النسيجية الكبيرة، مستفيدًا من نقاط القوة في هياكل التعلم العميق المعروفة لتحسين دقة التشخيص وكفاءته.
DOI: https://doi.org/10.1038/s41598-024-54864-6
PMID: https://pubmed.ncbi.nlm.nih.gov/38403597
Publication Date: 2024-02-26
Author(s): Naira Elazab et al.
Primary Topic: Brain Tumor Detection and Classification
Overview
This research paper presents a novel hybrid deep learning model that integrates YOLOv5 and ResNet50 for the classification and grading of gliomas, primary brain tumors originating from glial cells. The model aims to enhance digital pathology by effectively localizing and classifying tumors within large histopathological whole slide images (WSIs). By incorporating ResNet50 into the YOLOv5 framework for feature extraction, the proposed approach addresses challenges such as gradient explosion and improves tumor localization accuracy. The model demonstrates impressive performance metrics, achieving 97.2% accuracy, 97.8% precision, 98.6% sensitivity, and a Dice similarity coefficient of 97% in distinguishing between low-grade glioma (LGG) II and LGG III, outperforming existing methods in the literature.
The authors emphasize the importance of developing non-invasive and efficient diagnostic technologies for gliomas, particularly in resource-limited healthcare settings. While the current model shows promise, it faces limitations in identifying tumors with atypical forms. Future work will focus on enhancing the model’s capabilities to detect a broader range of tumor types and sizes, potentially incorporating additional imaging modalities such as MRI or CT scans. Clinical validation on larger and more diverse datasets will be essential to assess the model’s applicability and effectiveness, while exploring alternative architectures like DenseNet or EfficientNet may further improve classification outcomes.
Methods
In this section, the authors detail the methodologies employed in various studies focused on brain tumor classification and survival prediction. Notable approaches include the use of InceptionResNetV2 for hierarchical feature extraction, achieving an accuracy (ACC) of 95% for classifying benign tumors, oligodendrogliomas, and glioblastomas (GBM). Another study by Yonekura et al. developed a deep convolutional neural network (DCNN) with 14 layers, yielding an ACC of 96.5% for GBM classification. Additionally, Shirazi et al. introduced DeepSurvNet, a GoogLeNet-based classifier, which attained a precision of 99% in predicting brain cancer patients’ survival rates.
The authors also highlight the use of generative adversarial networks (GANs) for predicting IDH mutational status in gliomas, achieving an ACC of 85.3%. Other methodologies include a single-task CNN for benign/malignant classification with an ACC of 83.25%, and a hybrid approach combining YOLOv5 and ResNet50 aimed at enhancing diagnostic performance across varying tumor grades. This hybrid model is designed to improve generalizability and feature recognition, addressing limitations in existing literature. The preprocessing steps involved standardizing image sizes and enhancing quality, followed by hyperparameter tuning of ResNet50 to optimize diagnosis accuracy. The proposed model’s performance was evaluated against several state-of-the-art models using five distinct performance metrics.
Results
The results of the proposed hybrid deep learning model for glioma brain tumor classification demonstrate strong performance on unseen test data, achieving an accuracy (ACC) of 97.2%, a positive predictive value (PPV) of 96.3%, and a Dice similarity coefficient (DSC) of 97.0%. The model excels particularly in identifying grade IV tumors, with sensitivity (SEN) and specificity (SPC) also showing favorable results across all classes. The receiver operating characteristic (ROC) curve analysis confirms the model’s superior performance compared to other classifiers, as illustrated in the accompanying figures and tables.
The hybrid model integrates XGBoost for classification, YOLOv5 for feature selection and object detection, and ResNet50 for feature extraction, effectively addressing challenges associated with histopathological image processing, such as variable whole slide image (WSI) sizes and region of interest (RoI) selection. The model, optimized to approximately 28.16 million parameters, processes images in about 30 milliseconds on specified hardware. Cross-validation with 10 folds enhances the robustness of the evaluation, ensuring comprehensive testing across diverse data subsets. Overall, the proposed model outperforms existing state-of-the-art methods, including VGG19 and Inception V3, indicating its efficacy in accurately classifying glioma grades.
Discussion
The discussion section of the research paper highlights the advancements in histopathology image analysis, particularly through the application of deep learning (DL) techniques. It contrasts traditional hand-crafted feature extraction methods with modern DL approaches, emphasizing the superior ability of convolutional neural networks (CNNs) to learn complex patterns directly from raw data. Numerous studies have demonstrated the effectiveness of DL in classifying various brain tumor types using hematoxylin and eosin (H&E) stained images, achieving high classification accuracies. For instance, Sumi et al. achieved 95% accuracy in classifying brain tissue types using a spatial fusion network, while Yonekura et al. utilized a deep CNN model to classify glioblastoma and low-grade glioma images with promising results.
The section also identifies limitations in existing research, such as the reliance on subjective tumor segmentation methods and the computational intensity of certain models. It proposes a hybrid model that integrates YOLOv5 for tumor localization, ResNet50 for feature extraction, and XGBoost for classification, aiming to enhance grading accuracy and feature representation. The preprocessing steps, including background filtering and stain normalization, are crucial for optimizing model performance, particularly in handling the variability of stain colors across different datasets. Overall, the proposed framework seeks to address the challenges of brain tumor grading in large-scale histopathological images, leveraging the strengths of established DL architectures to improve diagnostic accuracy and efficiency.