DOI: https://doi.org/10.1007/s44196-024-00574-w
تاريخ النشر: 2024-07-09
المؤلف: Saswati Sahoo وآخرون
الموضوع الرئيسي: كشف وتصنيف أورام الدماغ
نظرة عامة
تقدم البحث إطارًا جديدًا، يُطلق عليه نموذج الشبكة العصبية العميقة المدفوعة بالارتباط القائم على تحسين الانتشار الحاد (SSO-CCNN)، يهدف إلى التصنيف التلقائي وتقسيم أورام الدماغ. يستفيد هذا الإطار من التقدم في التكنولوجيا لتسهيل الكشف المبكر عن الأورام، مما قد يقلل من معدل الوفيات وشدة المرض. يستخدم نموذج SSO-CCNN مقاطع محسّنة تم إنشاؤها من خلال الشبكات التنافسية التوليدية المتزايدة (PGGANs) ويعتمد نهج تدريب فريد للمعلمات يجمع بين ميزات تحسين تلقيح الأزهار وتحسين عباد الشمس. حقق النموذج مقاييس أداء مثيرة للإعجاب، مسجلاً دقة بنسبة 97.41%، وحساسية بنسبة 97.89%، ونوعية بنسبة 96.93%، مع زمن تنفيذ لا يتجاوز 1.6 ثانية.
في الختام، يعزز نموذج SSO-CCNN بشكل كبير من التنبؤ وتصنيف أورام الدماغ، وهو أمر حاسم لمنع المضاعفات الصحية الشديدة. من خلال دمج تقنيات التعلم العميق المدعومة بالارتباط وتحسين معلمات النموذج من خلال طرق SSO، يظهر الإطار دقة محسّنة وانخفاض في فقدان تصنيف الأورام. ستستكشف الأعمال المستقبلية تطبيق مصنفات مختلفة لتعزيز الأداء بشكل أكبر، مما يشير إلى اتجاه واعد للبحث المستمر في التصوير الطبي وتشخيص الأورام.
مقدمة
تناقش مقدمة الورقة تطبيقات وتطورات الشبكات التنافسية التوليدية (GANs)، لا سيما في قطاع الرعاية الصحية، مع التركيز على فائدتها في توليد الصور الطبية الاصطناعية. تتكون GANs من مكونين رئيسيين: المولد، الذي ينتج بيانات اصطناعية، والمميز، الذي يصنف البيانات الحقيقية مقابل البيانات المولدة. تسلط الورقة الضوء على فعالية الشبكات التنافسية التوليدية المتزايدة (PGGANs) في تحسين دقة الصورة بشكل تدريجي، وهو أمر مفيد بشكل خاص لتوليد صور MRI واقعية لأورام الدماغ. يسمح هذا الأسلوب بالحفاظ على الهياكل الكبيرة أثناء تحسين الميزات عالية الدقة، مما يحسن دقة تقسيم وتصنيف الصور الطبية.
تتناول المقدمة أيضًا التحديات التي تواجه هذا المجال، مثل قيود نماذج GAN الحالية في التعامل مع الصور عالية الدقة، والحاجة إلى موارد حسابية كبيرة، والصعوبات المرتبطة بتعليق البيانات في التصوير الطبي. على الرغم من هذه التحديات، تقدم الورقة نهجًا جديدًا، نموذج SSO-CCNN، الذي يدمج طريقة تحسين قوية مع شبكة عصبية عميقة مدعومة بالارتباط لتصنيف أورام الدماغ. يظهر النموذج المقترح نتائج واعدة، محققًا دقة عالية (97.41%)، وحساسية (97.89%)، ونوعية (96.93%) مع الحفاظ على تأخير تنفيذ منخفض قدره 1.6 ثانية. تم توضيح هيكل المخطوطة، مما يشير إلى استكشاف شامل للخلفية والنتائج والمناقشات المحيطة بالمنهجية المقترحة.
طرق
يستخدم البحث مصنف شبكة عصبية عميقة مدعومة بالارتباط (CNN) للكشف عن أورام الدماغ، وهيكلها مقسم إلى أربع مراحل رئيسية: المعالجة المسبقة، والتقسيم، والتطبيع، والتصنيف. في البداية، يتم الحصول على بيانات الإدخال من قاعدة بيانات أورام الدماغ، حيث تقوم مرحلة المعالجة المسبقة بتقييم جودة البيانات وإزالة المعلومات غير ذات الصلة، مع التركيز على منطقة الاهتمام. بعد ذلك، يتم إجراء تقسيم الورم باستخدام شبكة تنافسية توليدية متزايدة محسّنة (PGGAN)، مع تطبيق تعديلات من خلال تقنيات التحسين.
في مرحلة استخراج الميزات، يتم استخراج ميزات إحصائية تتعلق بالشكل والملمس، إلى جانب الميزات المستمدة من طريقة ResNet-101، من الصور المقسمة. ثم يتم تنظيم هذه الميزات خلال مرحلة التطبيع. يتم إجراء التصنيف النهائي باستخدام مصنف CNN عميق مدعوم بالارتباط، والذي تم تحسينه لتحقيق دقة محسّنة من خلال نهج جديد لتحسين عباد الشمس وتلقيح الأزهار (SSO). يصنف المصنف في النهاية أورام الدماغ على أنها طبيعية أو غير طبيعية بناءً على بيانات الاختبار، كما هو موضح في الرسم التخطيطي المرافق.
نتائج
في قسم النتائج، تقدم الدراسة نتائج حول تطبيق الشبكات التنافسية التوليدية المتزايدة (PGGAN) لتقسيم أورام الدماغ. تعمل عملية التقسيم على عزل آفات الورم بشكل فعال عن الأنسجة الطبيعية، مما يعزز تحليل الخصائص ذات الصلة. كما هو موضح في الشكل 5، تتحسن جودة الصور المقسمة مع زيادة قيم العصور، التي تتراوح من 50 إلى 500. يعرض الصف الأول الصور الأصلية المدخلة، بينما يقدم الصف الثاني الصور المقسمة، ويظهر الصف الثالث الصور المقنعة، مما يوضح تشابهًا أكبر بين الصور المقسمة والمقنعة مع زيادة عدد العصور.
بالإضافة إلى ذلك، تسلط الدراسة الضوء على دور زيادة البيانات في تحسين مجموعة بيانات التدريب. من خلال توليد نسخ معدلة من البيانات الموجودة، تزيد الدراسة بشكل فعال من تنوع مجموعة التدريب، والذي يتم تمثيله بصريًا في الشكل 6. يهدف هذا النهج إلى تحسين متانة نموذج التقسيم من خلال توفير مجموعة واسعة من أمثلة التدريب.
مناقشة
ت outlines قسم المناقشة في ورقة البحث المنهجية والنتائج المتعلقة بتقسيم وتصنيف أورام الدماغ باستخدام شبكة تنافسية توليدية متزايدة معدلة (PGGAN) وشبكة عصبية عميقة مدعومة بالارتباط (SSO-CCNN). في البداية، تخضع بيانات الإدخال من مجموعة بيانات أورام الدماغ للمعالجة المسبقة لتحسين جودة البيانات واستخراج مناطق الاهتمام (ROI). يتم استخدام PGGAN، الذي يتكون من شبكات مولد ومميز، لتقسيم الورم، مما يعالج بشكل فعال التحديات التي تطرحها صور MRI ذات الجودة المنخفضة من خلال زيادة البيانات وتقنيات التقسيم المثلى. يقوم المولد بتوليد عينات بيانات جديدة بينما يميز المميز بين البيانات الحقيقية والمولدة، مستخدمًا دالة خسارة الانتروبيا المتقاطعة على مستوى البكسل لتحقيق تقسيم دقيق.
بعد ذلك، تناقش الورقة عملية استخراج الميزات، التي تتضمن ميزات إحصائية وميزات قائمة على الملمس مستمدة من الصور المقسمة باستخدام ResNet-101. تشمل الميزات الإحصائية المتوسط والانحراف المعياري والتباين والانحراف والكراتوز والانتروبيا، بينما يتم التقاط ميزات الملمس باستخدام الأنماط الثنائية المحلية (LBP) وتوزيع التدرجات الموجهة (HOG) والأنماط الثلاثية المحلية (LTP). يظهر نموذج SSO-CCNN، الذي يدمج خوارزمية تحسين جديدة، أداءً متفوقًا في تصنيف أورام الدماغ، محققًا معدلات دقة تصل إلى 97.414% وتفوق على النماذج الحالية مثل SVC وANN وResNet-101 بفروق كبيرة من حيث الدقة والحساسية والنوعية ومعامل الارتباط ماثيو (MCC). تؤكد النتائج على فعالية الطرق المقترحة في تعزيز دقة الكشف عن أورام الدماغ وتصنيفها.
DOI: https://doi.org/10.1007/s44196-024-00574-w
Publication Date: 2024-07-09
Author(s): Saswati Sahoo et al.
Primary Topic: Brain Tumor Detection and Classification
Overview
The research presents a novel framework, termed the scatter sharp optimization-based correlation-driven deep CNN model (SSO-CCNN), aimed at the automatic classification and segmentation of brain tumors. This framework leverages advancements in technology to facilitate early tumor detection, thereby potentially reducing mortality and disease severity. The SSO-CCNN model utilizes optimized segments generated through sampled progressively growing generative adversarial networks (PGGANs) and employs a unique hyperparameter training approach that combines features from flower pollination optimization and sunflower optimization. The model achieved impressive performance metrics, recording an accuracy of 97.41%, sensitivity of 97.89%, and specificity of 96.93%, with an execution latency of just 1.6 seconds.
In conclusion, the SSO-CCNN model significantly enhances the prediction and classification of brain tumors, which is crucial for preventing severe health complications. By integrating correlation-enabled deep learning techniques and optimizing model parameters through SSO methods, the framework demonstrates improved accuracy and reduced loss in tumor classification. Future work will explore the application of different classifiers to further enhance performance, indicating a promising direction for ongoing research in medical imaging and tumor diagnosis.
Introduction
The introduction of the paper discusses the application and advancements of Generative Adversarial Networks (GANs), particularly in the healthcare sector, focusing on their utility in generating synthetic medical images. GANs consist of two primary components: the generator, which produces synthetic data, and the discriminator, which classifies real versus generated data. The paper highlights the effectiveness of Progressive Growing GANs (PGGANs) in enhancing image resolution progressively, which is particularly beneficial for generating realistic MRI images of brain tumors. This method allows for the preservation of large-scale structures while refining high-resolution features, thereby improving the accuracy of medical image segmentation and classification.
The introduction also addresses the challenges faced in the field, such as the limitations of existing GAN models in handling high-resolution images, the need for substantial computational resources, and the difficulties associated with data annotation in medical imaging. Despite these challenges, the paper presents a novel approach, the SSO-CCNN model, which integrates a robust optimization method with a correlation-enabled deep convolutional neural network for brain tumor classification. The proposed model demonstrates promising results, achieving high accuracy (97.41%), sensitivity (97.89%), and specificity (96.93%) while maintaining a low execution delay of 1.6 seconds. The structure of the manuscript is outlined, indicating a comprehensive exploration of the background, results, and discussions surrounding the proposed methodology.
Methods
The research employs a correlation-enabled deep convolutional neural network (CNN) classifier to detect brain tumors, structured into four main phases: pre-processing, segmentation, normalization, and classification. Initially, input data is sourced from a brain tumor database, where the pre-processing phase assesses data quality and removes irrelevant information, focusing on the region of interest. Following this, tumor segmentation is performed using an optimized progressive growing generative adversarial network (PGGAN), with modifications applied through optimization techniques.
In the feature extraction phase, statistical features related to shape and texture, alongside features derived from the ResNet-101 method, are extracted from the segmented images. These features are then organized during the normalization stage. The final classification is conducted using a correlation-enabled deep CNN classifier, which is optimized for enhanced accuracy through a novel sunflower and flower pollination optimization (SSO) approach. The classifier ultimately categorizes brain tumors as normal or abnormal based on test data, as illustrated in the accompanying block diagram.
Results
In the results section, the study presents findings on the application of Progressive Growing Generative Adversarial Networks (PGGAN) for brain tumor segmentation. The segmentation process effectively isolates tumor lesions from normal tissues, enhancing the analysis of relevant characteristics. As depicted in Figure 5, the segmented images improve in quality with increasing epoch values, ranging from 50 to 500. The first row displays the original input images, the second row presents the segmented images, and the third row illustrates the masked images, demonstrating a closer resemblance between the segmented and masked images as the number of epochs increases.
Additionally, the research highlights the role of data augmentation in enhancing the training dataset. By generating modified copies of existing data, the study effectively increases the diversity of the training set, which is visually represented in Figure 6. This approach aims to improve the robustness of the segmentation model by providing a broader range of training examples.
Discussion
The discussion section of the research paper outlines the methodology and findings related to brain tumor segmentation and classification using a modified Progressive Growing Generative Adversarial Network (PGGAN) and a correlation-enabled deep convolutional neural network (SSO-CCNN). Initially, the input data from the Brain Tumor dataset undergoes pre-processing to enhance data quality and extract regions of interest (ROI). The PGGAN, consisting of generator and discriminator networks, is employed for tumor segmentation, effectively addressing challenges posed by low-quality MRI images through data augmentation and optimal segmentation techniques. The generator synthesizes new data samples while the discriminator distinguishes between real and generated data, utilizing a pixel-wise cross-entropy loss function for accurate segmentation.
Subsequently, the paper discusses the feature extraction process, which involves statistical and texture-based features derived from segmented images using ResNet-101. The statistical features include mean, standard deviation, variance, skewness, kurtosis, and entropy, while texture features are captured using Local Binary Patterns (LBP), Histogram of Oriented Gradients (HOG), and Local Ternary Patterns (LTP). The SSO-CCNN model, which integrates a novel scatter sharp optimization algorithm, demonstrates superior performance in classifying brain tumors, achieving accuracy rates of up to 97.414% and outperforming existing models such as SVC, ANN, and ResNet-101 by significant margins in terms of accuracy, sensitivity, specificity, and Matthews correlation coefficient (MCC). The findings underscore the effectiveness of the proposed methods in enhancing brain tumor detection and classification accuracy.