DOI: https://doi.org/10.1186/s12880-024-01195-7
PMID: https://pubmed.ncbi.nlm.nih.gov/38243215
تاريخ النشر: 2024-01-19
المؤلف: Saravanan Srinivasan وآخرون
الموضوع الرئيسي: كشف وتصنيف أورام الدماغ
نظرة عامة
تقدم ورقة البحث نهجًا جديدًا لتشخيص وتصنيف أورام الدماغ من خلال نظام تصنيف متعدد الطبقات قائم على التعلم العميق ومؤتمت بالكامل يستخدم الشبكات العصبية التلافيفية (CNNs). تُنتقد الطرق التقليدية، التي تعتمد على التقييمات النسيجية لعينات الخزعة، لكونها غازية، وتستغرق وقتًا طويلاً، وعرضة للأخطاء البشرية. لمعالجة هذه التحديات، طور المؤلفون ثلاثة نماذج CNN متميزة مصممة لمهام تصنيف مختلفة. يحقق النموذج الأول دقة اكتشاف تبلغ 99.53% لأورام الدماغ، بينما يصنف النموذج الثاني الأورام إلى خمسة أنواع—طبيعي، غليوما، منينجيوما، نخامية، وورم نقوي—بدقة تبلغ 93.81%. يصنف النموذج الثالث الأورام إلى درجات مختلفة، محققًا دقة تبلغ 98.56%.
لتحسين الأداء، تم استخدام تقنية تحسين البحث الشبكي لضبط المعلمات الفائقة لنماذج CNN. تستخدم الدراسة مجموعات بيانات سريرية كبيرة ومتاحة للجمهور، مما يؤدي إلى نتائج تصنيف قوية. تُظهر التحليلات المقارنة مع النماذج الكلاسيكية مثل AlexNet وDenseNet121 وResNet-101 وVGG-19 وGoogleNet تفوق النهج المقترح القائم على CNN العميق في تعزيز تصنيف أورام الدماغ والكشف المبكر. بشكل عام، تسلط هذه الأبحاث الضوء على إمكانيات التعلم العميق في تحسين دقة وكفاءة التشخيص في مجال الأورام العصبية.
مقدمة
تسلط مقدمة الورقة الضوء على التأثير الكبير لأورام الدماغ كأحد الأسباب الرئيسية للوفيات على مستوى العالم، وغالبًا ما تبقى بدون أعراض حتى المراحل المتقدمة. تصنف أورام الدماغ إلى أنواع حميدة وخبيثة، مع كون المينينجيوما، والغليوما، والأورام النخامية هي الأكثر شيوعًا. تصنف منظمة الصحة العالمية هذه الأورام إلى أربع درجات بناءً على خبيثتها، مع التأكيد على طرق التشخيص مثل التصوير بالرنين المغناطيسي لكونها موثوقة في الكشف عن الأورام. تؤكد الورقة على الدور الحاسم للتشخيص المبكر والدقيق في تحسين نتائج المرضى ومعدلات البقاء.
علاوة على ذلك، تناقش المقدمة دمج تقنيات التعلم الآلي (ML) والتعلم العميق (DL) في التصوير الطبي، لا سيما في تصنيف وتقسيم أورام الدماغ من صور الرنين المغناطيسي. تشير إلى إمكانيات الشبكات العصبية التلافيفية (CNNs) في تعزيز دقة التشخيص وضرورة إدخال الخبراء في استخراج الميزات. يقدم المؤلفون هدف بحثهم: تقديم ثلاثة نماذج CNN أوتوماتيكية بالكامل لتصنيف أورام الدماغ باستخدام مجموعات بيانات متاحة للجمهور، مما يمثل نهجًا جديدًا في هذا المجال. يتم توضيح هيكل الورقة، مع تفاصيل حول الأعمال ذات الصلة، والمنهجيات، والدراسات التجريبية، والاستنتاجات.
طرق
استخدمت الدراسة أربعة مجموعات بيانات متميزة مأخوذة من قواعد بيانات متاحة للجمهور لتحليل صور الرنين المغناطيسي لأورام الدماغ. تتكون مجموعة البيانات الأولى، Figshare، من 70,221 صورة رنين مغناطيسي متعددة التسلسلات من 19 مريضًا تم تشخيصهم بالغليوبلاستوما (G-IV). تتضمن مجموعة البيانات الثانية، مستودع بيانات الأورام الدماغية الجزيئية (REMBRANDT)، 109,021 صورة رنين مغناطيسي من 133 مريضًا يعانون من الغليوما من الدرجات II وIII وIV. تحتوي مجموعة البيانات الثالثة، مجموعة بيانات الجينوم السرطاني للأورام الغليوية منخفضة الدرجة (TCGA-LGG)، على 242,185 صورة رنين مغناطيسي من 198 مريضًا يعانون من الغليومات منخفضة الدرجة (G-I وG-II). بالإضافة إلى ذلك، تتكون مجموعة البيانات الرابعة من 3,067 صورة معززة بالتباين من 243 مريضًا يعانون من أورام دماغية متنوعة، بما في ذلك الغليومات، والمينينجيوما، والأورام النخامية.
لأغراض التصنيف، حددت الدراسة ثلاثة أوضاع: تضمنت التصنيف-1 3,165 صورة (1,743 خبيثة و1,422 غير خبيثة)، وشملت التصنيف-2 4,195 صورة (910 طبيعية، 985 غليوما، 750 مينينجيوما، 750 نخامية، و800 نقوي)، وتضمنت التصنيف-3 4,720 صورة (1,712 G-II، 1,296 G-III، و1,712 G-IV). تم تنفيذ نموذج التصنيف المقترح باستخدام MATLAB 2021a على جهاز كمبيوتر مزود بذاكرة وصول عشوائي سعتها 32 جيجابايت ومعالج Intel E3-1245v6 @3.70GHz، كما هو موضح في قسم الطرق.
مناقشة
في هذا القسم، يناقش المؤلفون تطوير وتقييم نموذج شبكة عصبية تلافيفية (CNN) لتصنيف أورام الدماغ من صور الرنين المغناطيسي. تؤكد الدراسة على استخدام مجموعات بيانات أصلية بدلاً من البيانات المعززة، باستخدام بنية VGG-16 مخصصة لتصنيف 10,153 صورة رنين مغناطيسي إلى ثلاث فئات: غليوما، مينينجيوما، وأورام نخامية. حقق النموذج دقة إجمالية مثيرة للإعجاب تبلغ 99.5%، مع معدلات دقة تبلغ 99.4% للغليومات، و96.7% للمينينجيوما، و100% للأورام النخامية. كما قارن المؤلفون أداء نموذجهم مع هياكل CNN الأخرى، مشيرين إلى أن نموذج Inception-v3 حقق دقة اختبار تبلغ 94.34%، مما يبرز المشهد التنافسي لأساليب التعلم العميق في التصوير الطبي.
يُفصل المؤلفون تحسين المعلمات الفائقة باستخدام تقنيات البحث الشبكي، والتي كانت حاسمة لتحسين أداء النموذج. قاموا بتنفيذ استراتيجية التحقق المتقاطع بخمس طيات لضمان تقييم قوي، مما أدى إلى تحقيق معدلات دقة عالية عبر أوضاع التصنيف المختلفة. تم تصميم نماذج CNN لتصنيف الصور إلى فئات أورام مختلفة، حيث يميز النموذج الأول (C-1) بين صور الأورام وغير الأورام، بينما يصنف الثاني (C-2) خمسة أنواع من الأورام، ويقوم الثالث (C-3) بتصنيف الغليومات إلى ثلاث مستويات. تؤكد النتائج على إمكانيات CNNs في تحسين دقة التشخيص في البيئات السريرية، حيث تُظهر النماذج المقترحة تقدمًا كبيرًا في تصنيف أورام الدماغ.
DOI: https://doi.org/10.1186/s12880-024-01195-7
PMID: https://pubmed.ncbi.nlm.nih.gov/38243215
Publication Date: 2024-01-19
Author(s): Saravanan Srinivasan et al.
Primary Topic: Brain Tumor Detection and Classification
Overview
The research paper presents a novel approach to diagnosing and classifying brain tumors through a fully automated, deep-learning-based multi-classification system utilizing convolutional neural networks (CNNs). Traditional methods, which depend on histological evaluations of biopsy samples, are criticized for being invasive, time-consuming, and prone to human error. To address these challenges, the authors developed three distinct CNN models tailored for various classification tasks. The first model achieves a detection accuracy of 99.53% for brain tumors, while the second model categorizes tumors into five types—normal, glioma, meningioma, pituitary, and metastatic—with an accuracy of 93.81%. The third model classifies tumors into different grades, attaining an accuracy of 98.56%.
To optimize performance, a grid search optimization technique is employed to fine-tune the hyperparameters of the CNN models. The study utilizes large, publicly available clinical datasets, leading to robust classification results. A comparative analysis with classical models such as AlexNet, DenseNet121, ResNet-101, VGG-19, and GoogleNet demonstrates the superiority of the proposed deep CNN-based approach in enhancing brain tumor classification and early detection. Overall, this research highlights the potential of deep learning in improving diagnostic accuracy and efficiency in the field of neuro-oncology.
Introduction
The introduction of the paper highlights the significant impact of brain tumors as a leading cause of mortality globally, often remaining asymptomatic until advanced stages. It categorizes brain tumors into benign and malignant types, with meningiomas, gliomas, and pituitary adenomas being the most common. The World Health Organization classifies these tumors into four grades based on their malignancy, with diagnostic methods such as MRI being emphasized for their reliability in detecting tumors. The paper underscores the critical role of early and accurate diagnosis in improving patient outcomes and survival rates.
Furthermore, the introduction discusses the integration of machine learning (ML) and deep learning (DL) techniques in medical imaging, particularly in the classification and segmentation of brain tumors from MRI scans. It notes the potential of convolutional neural networks (CNNs) in enhancing diagnostic accuracy and the necessity for expert input in feature extraction. The authors present their research objective: to introduce three fully automatic CNN models for the multi-classification of brain tumors using publicly available datasets, marking a novel approach in this domain. The structure of the paper is outlined, detailing sections on related work, methodologies, experimental studies, and conclusions.
Methods
The study utilized four distinct datasets sourced from publicly accessible databases to analyze MRI images of brain tumors. The first dataset, Figshare, comprises 70,221 multi-sequence MRI images from 19 patients diagnosed with glioblastomas (G-IV). The second dataset, the Repository of Molecular Brain Neoplasia Data (REMBRANDT), includes 109,021 MRI images from 133 patients with gliomas of grades II, III, and IV. The third dataset, the Cancer Genome Atlas Low-Grade Glioma dataset (TCGA-LGG), contains 242,185 MRI images from 198 patients with low-grade gliomas (G-I and G-II). Additionally, a fourth dataset consists of 3,067 T1-weighted, contrast-enhanced images from 243 patients with various brain tumors, including gliomas, meningiomas, and pituitary tumors.
For the classification tasks, the study defined three modes: Classification-1 involved 3,165 images (1,743 malignant and 1,422 non-malignant), Classification-2 included 4,195 images (910 normal, 985 glioma, 750 meningioma, 750 pituitary, and 800 metastatic), and Classification-3 comprised 4,720 images (1,712 G-II, 1,296 G-III, and 1,712 G-IV). The proposed classification model was implemented using MATLAB 2021a on a computer equipped with 32 GB RAM and an Intel E3-1245v6 @3.70GHz CPU, as detailed in the methods section.
Discussion
In this section, the authors discuss the development and evaluation of a convolutional neural network (CNN) model for classifying brain tumors from MRI images. The study emphasizes the use of authentic datasets over augmented data, employing a customized VGG-16 architecture to classify 10,153 MRI images into three categories: glioma, meningioma, and pituitary tumors. The model achieved an impressive overall accuracy of 99.5%, with precision rates of 99.4% for gliomas, 96.7% for meningiomas, and 100% for pituitary tumors. The authors also compared their model’s performance against other CNN architectures, noting that the Inception-v3 model reached a test accuracy of 94.34%, highlighting the competitive landscape of deep learning approaches in medical imaging.
The authors detail the optimization of hyperparameters using grid search techniques, which were crucial for enhancing the model’s performance. They implemented a fivefold cross-validation strategy to ensure robust evaluation, resulting in high accuracy rates across different classification modes. The CNN models were designed to classify images into various tumor categories, with the first model (C-1) distinguishing between tumor and non-tumor images, the second (C-2) categorizing five tumor types, and the third (C-3) grading gliomas into three levels. The findings underscore the potential of CNNs in improving diagnostic accuracy in clinical settings, with the proposed models demonstrating significant advancements in the classification of brain tumors.