DOI: https://doi.org/10.1038/s41598-024-56657-3
PMID: https://pubmed.ncbi.nlm.nih.gov/38467755
تاريخ النشر: 2024-03-11
المؤلف: Muhammad Sami Ullah وآخرون
الموضوع الرئيسي: كشف وتصنيف أورام الدماغ
نظرة عامة
تتناول هذه البحث التحدي الحاسم في تصنيف أورام الدماغ في التشخيص المدعوم بالحاسوب (CAD) من خلال اقتراح نظام فعال للتعلم العميق والتحسين التطوري. تركز الدراسة على تصنيف أربعة أنواع من أنماط أورام الدماغ (ورم T1، ورم T1CE، ورم T2، وورم FLAIR) باستخدام قاعدة بيانات MRI واسعة النطاق. يتم تحسين بنية الشبكة العصبية التلافيفية (CNN) من خلال المعرفة الميدانية ودمجها مع خوارزمية تحسين تطورية لاختيار المعلمات الفائقة. بالإضافة إلى ذلك، تم تطوير شبكة مشفرة-مفككة متراكبة مع عشر طبقات تلافيفية. تستخدم عملية استخراج الميزات والتحسين خوارزمية الذئب الرمادي المحسنة، التي تتضمن معايير محدثة من خوارزمية Jaya، مما يؤدي إلى زيادة كبيرة في سرعة التعلم ودقة التصنيف. حققت الطريقة المقترحة دقة متوسطة تبلغ 98% ودقة قصوى لمصنف واحد تبلغ 99% على مجموعات بيانات BraTS2020 وBraTS2021، متفوقة على مصنفات وتقنيات مختلفة.
في الختام، تساهم هذه البحث في مجال تطبيقات الصور الطبية من خلال تقديم نظام تصنيف أورام الدماغ متعدد الفئات آلي بالكامل يستفيد من استراتيجيات التعلم العميق والتحسين. تتضمن البنية نموذج ResNet-50 المحسن مع معلمات أولية تم تعيينها باستخدام خوارزمية Jaya، إلى جانب شبكة مشفرة-مفككة مصممة حديثًا. أدت عملية استخراج الميزات والدمج، المعززة بتقنية جديدة، إلى تحسين الدقة مع معالجة التكرار من خلال طريقة تحسين متقدمة. على الرغم من أن عملية الدمج زادت من وقت الحساب، تم اقتراح تقنية اختيار الميزات التي حافظت على الدقة مع تقليل وقت الحساب بنسبة تقارب 70%.
طرق
تتركز المنهجية الموضحة في هذه البحث على تصور وتصنيف أورام الدماغ باستخدام تقنيات التعلم الآلي المتقدمة. تستخدم الدراسة مجموعات بيانات MRI المتاحة للجمهور، وتحديداً BraTS2020 وBraTS2021، لتعزيز نموذج ResNet50 المدرب مسبقًا. يتضمن هذا التعزيز إضافة طبقات إضافية وتطبيق تحسين سرب الجسيمات لاختيار المعلمات الفائقة. بعد ذلك، يتم تدريب الشبكة المعدلة من الصفر لإنشاء نموذج جديد يستخدم لاستخراج الميزات، الذي يتم تحليله بشكل أكبر من خلال التصور القائم على GradCAM. بالإضافة إلى ذلك، تم تطوير شبكة مشفرة-مفككة متراكبة وتدريبها على نفس مجموعات البيانات لاستخراج الميزات. يتم دمج الميزات من كلا الشبكتين باستخدام نهج الحد الأدنى القائم على التسلسل، المحسن بواسطة خوارزمية الذئب الرمادي الهجينة وخوارزمية Jaya، ومن ثم تصنيفها باستخدام مصنفات الشبكة العصبية لتحقيق دقة التصنيف النهائية.
فيما يتعلق بالإعداد التجريبي، يستخدم نموذج ResNet50 المحسن الانحدار العشوائي مع الزخم (SGDM) لتسريع التقارب، مستفيدًا من التحقق المتقاطع k-fold مع \( k = 10 \) وتقسيم التدريب/الاختبار بنسبة 50:50. تم تعيين حجم الدفعة الصغيرة إلى 256، مع معدل تعلم أولي قدره 0.0001. بالنسبة للشبكة المشفرة-المفككة المتراكبة، يتم استخدام طبقتين، مع معلمات محددة لأحجام مخفية، وحقب، وإعدادات تنظيم. تم إجراء التجارب باستخدام MATLAB R2022a على نظام مزود بـ 16 جيجابايت من ذاكرة الوصول العشوائي و RTX3060 GPU مع 12 جيجابايت من الذاكرة.
النتائج
تظهر نتائج الإطار المقترح لمجموعات بيانات MICCAI BraTS 2020 و2021 تقدمًا كبيرًا في دقة التصنيف وكفاءة الحساب من خلال نهج متعدد الخطوات. في مجموعة بيانات 2020، حققت بنية ResNet-50 المحسنة دقة قصوى تبلغ 99.70% مع وقت معالجة قدره 206.75 ثانية لشبكات عصبية متوسطة. أدى الاستخدام اللاحق للشبكات المشفرة-المفككة المتراكبة إلى دقة تبلغ 98.90% لشبكات عصبية واسعة، مع معدلات حساسية ودقة تبلغ 98.85% لكل منهما. عززت تقنية الدمج الجديدة الدقة إلى 99.90% لشبكات عصبية واسعة، بينما حافظت خطوة التحسين النهائية على دقة عالية تبلغ 99.80% مع تقليل ملحوظ في وقت الحساب، محققة انخفاضًا بنسبة تقارب 87% في تعقيد الوقت مقارنة بالخطوات السابقة.
بالنسبة لمجموعة بيانات 2021، تم تطبيق منهجيات مماثلة، مما أسفر عن أفضل دقة تبلغ 99.90% لنموذج ResNet-50 المحسن في الخطوة الأولى، مع وقت معالجة قدره 41.692 ثانية. حققت الشبكات المشفرة-المفككة المتراكبة دقة تبلغ 99.60% لشبكات عصبية واسعة، بينما أدت تقنية الدمج إلى دقة مثالية تبلغ 100% لمصنف الشبكة العصبية الضيقة. مرة أخرى، أسفرت خطوة التحسين النهائية عن دقة تبلغ 99.90%، مما يؤكد قوة الطرق المقترحة عبر كلا مجموعتي البيانات. بشكل عام، تؤكد النتائج فعالية الإطار المقترح في تعزيز كل من أداء التصنيف وكفاءة الحساب في مهام تقسيم أورام الدماغ.
المناقشة
في قسم المناقشة من الورقة، تسلط مراجعة الأدبيات الشاملة الضوء على منهجيات مختلفة مستخدمة في رؤية الكمبيوتر لتصنيف أورام الدماغ عبر أنماط MRI المختلفة، بما في ذلك T1 وT2 وT1CE وFLAIR. تشمل التقدمات الملحوظة إطار عمل قائم على التجميع لـ Ginni وآخرين الذي حقق دقة 97.2% على مجموعة بيانات مكونة من 2552 صورة، على الرغم من أنه محدود بمجموعات بيانات أصغر. استخدم Soumick وآخرون نموذجًا عميقًا زمنيًا مكانيًا، محققين دقة 96.98% مع مجموعة بيانات BraTS 2019، لكنهم ركزوا فقط على نمط T1. حسنت Hapsari ضبط المعلمات الفائقة لـ CNN لعدة أنماط، محققة دقة تتراوح بين 94% إلى 97%. استكشفت دراسات أخرى، مثل تلك التي أجراها Javaria وآخرون وZahid وآخرون، تقنيات الدمج وتحسين الميزات، على التوالي، مع درجات متفاوتة من النجاح والقيود المتعلقة بكفاءة الحساب وتغطية الأنماط.
تقدم الورقة نموذج ResNet-50 المعدل الجديد وشبكة مشفرة-مفككة متراكبة لتحسين استخراج الميزات والتصنيف. يتضمن نموذج ResNet-50 المعدل كتلًا إضافية متبقية لمعالجة مشكلة تلاشي التدرج، بينما تهدف الشبكة المشفرة-المفككة المتراكبة إلى تعلم تمثيلات مضغوطة للبيانات المدخلة. تجمع طريقة دمج الميزات واختيارها الميزات من كلا النموذجين، وتحسنها باستخدام نهج تحسين الذئب الرمادي الهجين وخوارزمية Jaya. يتم التحقق من المنهجية باستخدام مجموعات بيانات BraTS 2020 و2021، مع مقاييس الأداء بما في ذلك الحساسية والدقة والدقة، جنبًا إلى جنب مع اختبار T لطلاب الجامعات للدلالة الإحصائية في أداء المصنف. بشكل عام، تظهر التقنيات المقترحة إمكانات لتحسين دقة تصنيف أورام الدماغ مع معالجة التحديات الحسابية.
DOI: https://doi.org/10.1038/s41598-024-56657-3
PMID: https://pubmed.ncbi.nlm.nih.gov/38467755
Publication Date: 2024-03-11
Author(s): Muhammad Sami Ullah et al.
Primary Topic: Brain Tumor Detection and Classification
Overview
The research addresses the critical challenge of brain tumor classification in computer-aided diagnosis (CAD) by proposing an efficient deep learning and evolutionary optimization system. The study focuses on classifying four types of brain tumor modalities (T1 tumor, T1CE tumor, T2 tumor, and FLAIR tumor) using a large-scale MRI database. A convolutional neural network (CNN) architecture is enhanced through domain knowledge and integrated with an evolutionary optimization algorithm for hyperparameter selection. Additionally, a Stacked Encoder-Decoder network with ten convolutional layers is developed. The feature extraction and optimization process employs an improved Grey Wolf algorithm, which incorporates updated criteria from the Jaya algorithm, resulting in a significant increase in learning speed and classification accuracy. The proposed method achieved an average accuracy of 98% and a maximum single-classifier accuracy of 99% on the BraTS2020 and BraTS2021 datasets, outperforming various classifiers and techniques.
In conclusion, this research contributes to the field of medical image applications by presenting a fully automated multiclass brain tumor classification system that leverages deep learning and optimization strategies. The architecture includes an improved ResNet-50 model with hyperparameters initialized using the Jaya algorithm, alongside a newly designed Stacked Autoencoders network. The feature extraction and fusion process, enhanced by a novel technique, led to improved accuracy while addressing redundancy through an advanced optimization method. Although the fusion process increased computational time, a feature selection technique was proposed that maintained accuracy while reducing computational time by approximately 70%.
Methods
The methodology outlined in this research focuses on the visualization and classification of brain tumors using advanced machine learning techniques. The study utilizes publicly available MRI datasets, specifically BraTS2020 and BraTS2021, to enhance a pre-trained ResNet50 model. This enhancement involves adding additional layers and applying particle swarm optimization for hyperparameter selection. Following this, the modified network is trained from scratch to create a new model used for feature extraction, which is further analyzed through GradCAM-based visualization. Additionally, a Stacked Autoencoder network is developed and trained on the same datasets for feature extraction. The features from both networks are fused using a serial-based minimum distance approach, optimized by a hybrid Grey Wolf and Jaya algorithm, and subsequently classified using neural network classifiers to achieve final classification accuracy.
In terms of experimental setup, the improved ResNet50 model employs stochastic gradient descent with momentum (SGDM) for accelerated convergence, utilizing k-fold cross-validation with \( k = 10 \) and a training/testing split of 50:50. The mini-batch size is set to 256, with an initial learning rate of 0.0001. For the Stacked Autoencoder, two layers are used, with specific parameters for hidden sizes, epochs, and regularization settings. The experiments were conducted using MATLAB R2022a on a system equipped with 16 GB of RAM and an RTX3060 GPU with 12 GB memory.
Results
The results of the proposed framework for the MICCAI BraTS 2020 and 2021 datasets demonstrate significant advancements in classification accuracy and computational efficiency through a multi-step approach. In the 2020 dataset, the improved ResNet-50 architecture achieved a maximum accuracy of 99.70% with a processing time of 206.75 seconds for Medium Neural Networks. The subsequent use of Stacked Autoencoders yielded an accuracy of 98.90% for Wide Neural Networks, with sensitivity and precision rates both at 98.85%. A novel fusion technique further enhanced accuracy to 99.90% for Wide Neural Networks, while the final optimization step maintained a high accuracy of 99.80% with a notable reduction in computational time, achieving an approximately 87% decrease in time complexity compared to earlier steps.
For the 2021 dataset, similar methodologies were applied, yielding a best accuracy of 99.90% for the improved ResNet-50 in the first step, with a processing time of 41.692 seconds. The Stacked Autoencoders achieved 99.60% accuracy for Wide Neural Networks, while the fusion technique led to a perfect accuracy of 100% for the Narrow Neural Network classifier. The final optimization step again resulted in 99.90% accuracy, confirming the robustness of the proposed methods across both datasets. Overall, the findings underscore the effectiveness of the proposed framework in enhancing both classification performance and computational efficiency in brain tumor segmentation tasks.
Discussion
In the discussion section of the paper, a comprehensive literature review highlights various methodologies employed in computer vision for brain tumor classification across different MRI modalities, including T1, T2, T1CE, and FLAIR. Notable advancements include Ginni et al.’s ensemble-based framework achieving 97.2% accuracy on a dataset of 2552 images, though it is limited to smaller datasets. Soumick et al. utilized a deep spatio-temporal model, achieving 96.98% accuracy with the BraTS 2019 dataset, but only focused on T1 modality. Hapsari et al. improved CNN hyper-parameter tuning for multiple modalities, achieving accuracies ranging from 94% to 97%. Other studies, such as those by Javaria et al. and Zahid et al., explored fusion techniques and feature optimization, respectively, with varying degrees of success and limitations regarding computational efficiency and modality coverage.
The paper introduces a novel modified ResNet-50 model and a stacked auto-encoder network for enhanced feature extraction and classification. The modified ResNet-50 incorporates additional residual blocks to address the vanishing gradient problem, while the stacked auto-encoder aims to learn compressed representations of input data. The proposed feature fusion and selection method combines features from both models, optimizing them using a hybrid Grey Wolf Optimization and Jaya algorithm approach. The methodology is validated using the BraTS 2020 and 2021 datasets, with performance metrics including sensitivity, precision, and accuracy, alongside a Student’s T-test for statistical significance in classifier performance. Overall, the proposed techniques demonstrate potential for improving brain tumor classification accuracy while addressing computational challenges.