DOI: https://doi.org/10.1038/s41598-025-01845-y
PMID: https://pubmed.ncbi.nlm.nih.gov/40382404
تاريخ النشر: 2025-05-17
المؤلف: Emanuel Raju Vinukonda وآخرون
الموضوع الرئيسي: كشف وتصنيف أورام الدماغ
نظرة عامة
تقدم البحث نموذج تعلم عميق متكامل يهدف إلى التشخيص المبكر والمتعدد الفئات لمرض الزهايمر (AD) باستخدام صور الرنين المغناطيسي. تتضمن المنهجية عدة خطوات رئيسية: أولاً، تخضع صور الرنين المغناطيسي لعمليات ما قبل المعالجة من خلال تقنية تحسين الصور التي تجمع بين التصفية المتوسطة وتعديل تباين الهيستوغرام التكيفي المحدود (CLAHE). ثم يتم استخدام نموذج IDeepLabV3+ لتقسيم المناطق ذات الاهتمام المتعلقة بمرض الزهايمر. يتم استخراج الميزات باستخدام نموذج LeNet-5، تليها عملية اختيار الميزات بناءً على الارتباط المتوسط واحتمالية الخطأ. يتم إجراء التصنيف النهائي باستخدام نموذج EResNext.
يظهر النموذج المقترح مقاييس أداء مثيرة للإعجاب، حيث يحقق دقة تصل إلى 99.12%، وقيمة AUC تبلغ 94.50%، وخسارة قدرها 0.022، وقيم F1-score، والدقة، والاسترجاع تبلغ 98.75%، 99.25%، و98.25%، على التوالي. تشير هذه النتائج إلى أن نموذج IDeepLabV3+-EResNext يتفوق على النماذج الحالية الرائدة من حيث الكفاءة والدقة. تشير النتائج إلى أن الاختيار الدقيق لهندسة الشبكة يعزز بشكل كبير من دقة التشخيص عبر مراحل مختلفة من مرض الزهايمر في مجموعات عمرية مختلفة. ستركز الأبحاث المستقبلية على دمج مجموعات بيانات متعددة واستخدام تقنيات تعدين البيانات المتقدمة لتحسين التنبؤ بمرض الزهايمر في مراحله المبكرة.
الطرق
تستخدم المنهجية المقترحة للتشخيص المبكر لمرض الزهايمر (AD) نظام تصنيف متعدد الفئات مبتكر يعتمد على نهج تعلم عميق هجين، مستفيدة من مجموعة بيانات ADNI المتاحة للجمهور لصور الرنين المغناطيسي. تتضمن عملية التصنيف خمس مراحل رئيسية: (1) ما قبل المعالجة، (2) التقسيم، (3) استخراج الميزات، (4) اختيار الميزات، و(5) التصنيف. تعمل عمليات ما قبل المعالجة على تحسين جودة الصورة من خلال تقنيات مثل التصفية المتوسطة وتعديل تباين الهيستوغرام التكيفي المحدود (CLAHE)، إلى جانب طرق زيادة البيانات لمعالجة عدم توازن الفئات. يتم استخدام نموذج IDeepLabV3+ للتقسيم الدقيق للمناطق المتأثرة بمرض الزهايمر، بينما يقوم نموذج LeNet-5 باستخراج الميزات المحلية والعالمية. يتم اختيار الميزات باستخدام طريقة تعتمد على الارتباط المتوسط واحتمالية الخطأ، ويقوم نموذج EResNext بتصنيف الصور إلى فئات: خرف خفيف (MD)، خرف معتدل (MOD)، خرف خفيف جداً (VMD)، وعدم وجود خرف (ND). يعزز دمج عمليات الالتواء القابلة للفصل وعمليات الضغط والتحفيز كفاءة النموذج من خلال تقليل المعلمات مع الحفاظ على الأداء.
تظهر النتائج التجريبية فعالية النموذج الهجين المقترح، حيث تحقق دقة تصنيف إجمالية تبلغ 98.12%، مع قيم دقة، واسترجاع، وF1-score تبلغ 99.25%، 98.25%، و98.75%، على التوالي. تشير منحنيات التدريب والتحقق إلى معدلات تعلم مستقرة بعد 40 دورة، مع دقة قصوى تبلغ 98.29% للتدريب و98.12% للاختبار، وقيم خسارة مقابلة تبلغ 0.021 و0.049. تكشف مصفوفة الارتباك عن تصنيفات دقيقة، مع أداء ملحوظ في تحديد المرضى عبر مراحل مختلفة من مرض الزهايمر. تُظهر تحليل منحنى خصائص التشغيل المستقبلية (ROC) قيم AUC قوية، خاصة لفئة MD عند 0.97964، مما يبرز قدرة النموذج على التمييز بين مراحل مختلفة من الخرف بشكل فعال.
المناقشة
تستعرض قسم المناقشة في الورقة تنظيم البحث وتسلط الضوء على التقدمات الكبيرة في تصنيف مرض الزهايمر (AD) باستخدام نماذج تعلم عميق هجينة. تستعرض الورقة منهجيات مختلفة، بما في ذلك CNN-Conv1D-LSTM والشبكة الهجينة المتكررة (HReENet) المقترحة من قبل Ayus وآخرين، والتي تستخدم CNN لاستخراج الميزات وLSTM للتصنيف. تؤكد الورقة على التحديات التي تواجه النماذج الحالية، مثل عدم توازن الفئات والقدرة المحدودة على التفسير، وتقدم النموذج المقترح، IDeepLabV3+-EResNext، كحل يعزز الدقة والموثوقية في تشخيص مرض الزهايمر. يدمج هذا النموذج تقنيات متقدمة مثل الشبكات المتبقية المتوسعة وعمليات تجميع الهرم المكاني (ASPP) لتحسين استخراج الميزات وتقسيم صور الرنين المغناطيسي، مما يعالج قيود النماذج التقليدية.
تتكون مجموعة البيانات المستخدمة في هذا البحث من 6,400 صورة رنين مغناطيسي مأخوذة من مبادرة تصوير الأعصاب لمرض الزهايمر (ADNI)، والتي تشمل مراحل مختلفة من الخرف. قام المؤلفون بتنفيذ تقنيات ما قبل المعالجة الصارمة، بما في ذلك تحسين الصور من خلال التصفية المتوسطة وتعديل تباين الهيستوغرام التكيفي المحدود (CLAHE)، إلى جانب استراتيجيات زيادة البيانات لمعالجة عدم توازن الفئات. تم إجراء تقسيم المناطق ذات الصلة بمرض الزهايمر باستخدام نموذج IDeepLabV3+، الذي يلتقط بشكل فعال الأنماط المعقدة في صور الرنين المغناطيسي. تختتم الورقة بالقول إن النموذج الهجين المقترح لا يحسن فقط أداء التصنيف ولكن يعزز أيضًا من قابلية التفسير والعمومية، مما يجعله أداة واعدة للتطبيقات السريرية في تشخيص مرض الزهايمر.
القيود
يعترف البحث بعدة قيود قد تؤثر على النتائج وقابلية تطبيق النموذج الهجين المقترح. أولاً، على الرغم من استخدام تقنيات الزيادة، لا يزال حجم مجموعة البيانات قيدًا، مما قد يعيق قدرات تعميم النموذج. تهدف الأعمال المستقبلية إلى معالجة ذلك من خلال استخدام مجموعات بيانات أكبر وأكثر تنوعًا.
بالإضافة إلى ذلك، على الرغم من أن نماذج التعلم العميق تظهر دقة عالية، إلا أن تحدي ضمان القابلية للتفسير من أجل الاعتماد السريري لا يزال قائمًا. لمواجهة هذه المشكلة، ستركز الأبحاث المستقبلية على دمج تقنيات الذكاء الاصطناعي القابل للتفسير (XAI). أخيرًا، تبرز المتطلبات الكبيرة للموارد الحاسوبية للنموذج الهجين الحاجة إلى مزيد من تحسين هيكله لتعزيز الكفاءة دون التضحية بالدقة.
DOI: https://doi.org/10.1038/s41598-025-01845-y
PMID: https://pubmed.ncbi.nlm.nih.gov/40382404
Publication Date: 2025-05-17
Author(s): Emanuel Raju Vinukonda et al.
Primary Topic: Brain Tumor Detection and Classification
Overview
The research presents an integrated deep learning model aimed at the early and multi-class diagnosis of Alzheimer’s disease (AD) using MRI scans. The methodology involves several key steps: first, MRI images undergo pre-processing through an image enhancement technique that combines average filtering and Contrast Limited Adaptive Histogram Equalization (CLAHE). The IDeepLabV3+ model is then employed for segmenting the regions of interest related to AD. Feature extraction is conducted using the LeNet-5 model, followed by feature selection based on average correlation and error probability. The final classification is performed using the EResNext model.
The proposed model demonstrates impressive performance metrics, achieving an accuracy of 99.12%, an AUC value of 94.50%, a loss of 0.022, and F1-score, precision, and recall values of 98.75%, 99.25%, and 98.25%, respectively. These results indicate that the IDeepLabV3+-EResNext model outperforms existing state-of-the-art models in terms of efficiency and accuracy. The findings suggest that the careful selection of network architecture significantly enhances diagnostic accuracy across various stages of AD in different age groups. Future research will focus on integrating multiple datasets and employing advanced data mining techniques to further improve early-stage AD prediction.
Methods
The proposed methodology for early diagnosis of Alzheimer’s Disease (AD) utilizes a novel multi-class classification system based on a hybrid deep learning approach, leveraging the publicly available ADNI dataset for MRI images. The classification process involves five key stages: (1) Pre-processing, (2) Segmentation, (3) Feature extraction, (4) Feature selection, and (5) Classification. Pre-processing enhances image quality through techniques such as average filtering and Contrast Limited Adaptive Histogram Equalization (CLAHE), alongside data augmentation methods to address class imbalance. The IDeepLabV3+ model is employed for precise segmentation of AD-affected regions, while the LeNet-5 model extracts local and global features. Feature selection is performed using a method based on average correlation and error probability, and the EResNext model classifies the images into categories: Mild Dementia (MD), Moderate Dementia (MOD), Very Mild Dementia (VMD), and No Dementia (ND). The integration of Depthwise Separable Convolutions and Squeeze-and-Excitation modules enhances model efficiency by reducing parameters while maintaining performance.
Experimental results demonstrate the effectiveness of the proposed hybrid model, achieving an overall classification accuracy of 98.12%, with precision, recall, and F1-score values of 99.25%, 98.25%, and 98.75%, respectively. The training and validation curves indicate stable learning rates after 40 epochs, with maximum accuracies of 98.29% for training and 98.12% for testing, and corresponding loss values of 0.021 and 0.049. The confusion matrix reveals accurate classifications, with notable performance in identifying patients across different AD stages. The Receiver Operating Characteristic (ROC) curve analysis shows strong AUC values, particularly for the MD class at 0.97964, underscoring the model’s capability to differentiate between various stages of dementia effectively.
Discussion
The discussion section of the paper outlines the organization of the research and highlights significant advancements in the classification of Alzheimer’s Disease (AD) using hybrid deep learning models. It reviews various methodologies, including the CNN-Conv1D-LSTM and hybrid recurrent ensemble network (HReENet) proposed by Ayus et al., which utilize CNN for feature extraction and LSTM for classification. The paper emphasizes the challenges faced by existing models, such as class imbalance and limited interpretability, and presents the proposed model, IDeepLabV3+-EResNext, as a solution that enhances accuracy and reliability in AD diagnosis. This model integrates advanced techniques like Dilated Residual Networks and Atrous Spatial Pyramid Pooling (ASPP) to improve feature extraction and segmentation of MRI images, addressing the limitations of traditional models.
The dataset utilized in this research comprises 6,400 MRI images sourced from the Alzheimer’s Disease Neuroimaging Initiative (ADNI), encompassing various stages of dementia. The authors implemented rigorous pre-processing techniques, including image enhancement through average filtering and Contrast Limited Adaptive Histogram Equalization (CLAHE), alongside data augmentation strategies to address class imbalance. The segmentation of relevant AD regions was performed using the IDeepLabV3+ model, which effectively captures complex patterns in MRI images. The paper concludes that the proposed hybrid model not only improves classification performance but also enhances interpretability and generalizability, making it a promising tool for clinical applications in AD diagnosis.
Limitations
The research acknowledges several limitations that could impact the findings and applicability of the proposed hybrid model. Firstly, despite employing augmentation techniques, the dataset size is still a constraint, potentially hindering the model’s generalization capabilities. Future work aims to address this by utilizing larger and more diverse datasets.
Additionally, while deep learning models demonstrate high accuracy, the challenge of ensuring explainability for clinical adoption persists. To tackle this issue, future research will focus on integrating Explainable AI (XAI) techniques. Lastly, the hybrid model’s substantial computational resource requirements highlight the need for further optimization of its architecture to enhance efficiency without sacrificing accuracy.