Bu çalışma, beyin Magnetic Resonance Imaging (MRI) görüntülərini glioma, meningioma, pituitary tumor və şiş olmayan görüntü olmaq üzrə dörd sinfə ayırmaq üçün əvvəlcədən öyrədilmiş ResNet50 arxitekturasına əsaslanan Convolutional Neural Network (CNN) və transfer learning yanaşmasını MATLAB mühitində tətbiq edir. Təxminən 2.860 MRI görüntüsündən ibarət veri kolleksiyası Kaggle, Radiopaedia və The Cancer Imaging Archive (TCIA) kimi açıq mənbələrdən əldə edildiyi bildirilən görüntülərdən yaradılmış; görüntülər MATLAB imageDatastore strukturu ilə idarə edilmiş, veri artırımı tətbiq olunmuş və modelin son sınıflandırma qatmanı dörd sinfə görə dəyişdirilmişdir.

Mənbədə 10 fərqli təlim sxemi müqayisə edilmişdir. Bildirilən ən yüksək doğruluq 50 epoch, mini-batch size 16, learning rate 0.001 və 1.250 iterasiya istifadə olunan sxemdə %98-dir. Bu təlimin müddəti mənbədə 293 saniyə olaraq verilmişdir. Bundan əlavə, dörd sinfin hər biri üçün ayrıca təqdim edilən 10 görüntülük yeni veri sınaqlarında bütün nümunələr doğru sınıflandırılmış və orta proqnoz müddətləri təxminən 0.0038–0.0045 saniyə/görüntü aralığında raporlanmışdır.

Model MATLAB R2023b App Designer ilə hazırlanmış qrafik istifadəçi interfeysinə inteqrasiya edilmişdir. Buna baxmayaraq çalışmanın nəticələri klinik diaqnostik doğrulama kimi qiymətləndirilməməlidir. Məqalədə müstəqil xarici test kohortu, pasiyent-səviyyəsində veri ayrımı, sensitivity, specificity, precision, recall, F1-score, ROC-AUC və ya prospektiv klinik doğrulama raporlanmır. Buna görə hazırlanmış sistem mənbə çərçivəsində MRI sınıflandırma tədqiqat prototipi və qərar-dəstək yanaşması kimi şərh edilməlidir.

ResNet50 MRI Görüntülərində Beyin Şişini Necə Sınıflandırır?

Bu çalışmada ResNet50, MRI görüntüsündəki vizual örüntüləri CNN qatmanları ilə avtomatik təmsil edən əvvəlcədən öyrədilmiş bir şəbəkə kimi istifadə olunur; transfer learning ilə son fully connected sınıflandırma qatmanı dörd hədəf sinfə uyğunlaşdırılır və şəbəkə glioma, meningioma, pituitary tumor və ya no-tumor etiketi yaradır.

CNN və residual learning yanaşmasının rolu

Convolutional Neural Network, görüntülərdəki kənar, toxuma, forma və daha yüksək səviyyəli struktur örüntüləri ardıcıl konvolüsyon qatmanları vasitəsilə öyrənə bilən dərin öyrənmə strukturudur. Mənbə, CNN-nin manuel feature extraction ehtiyacını azaltmasını bu çalışmanın əsas səbəblərindən biri kimi göstərir.

ResNet50 isə residual learning strukturundan istifadə edən daha dərin CNN arxitekturasıdır. Residual bağlantılar dərin şəbəkələrdə bilginin və qradientin qatmanlar arasında daha birbaşa ötürülməsini dəstəkləyərək çoxqatlı şəbəkələrin təlimini asanlaşdırmağı hədəfləyir. Bu çalışmada şəbəkə sıfırdan qurulmamış; əvvəlcədən öyrədilmiş ResNet50 transfer learning məqsədilə istifadə edilmişdir.

Bu çalışmadakı “proqnoz” nə deməkdir?

Mənbənin başlığında sınıflandırma və proqnoz ifadələri birlikdə istifadə olunur. Buradakı proqnoz pasiyentin gələcək klinik gedişini, yaşam gözləntisini və ya şiş böyüməsini öncədən göstərən prognostik proqnoz deyil. Modelin çıxışı bir MRI görüntüsünün dörd sinifdən hansına aid olduğuna dair sinif proqnozudur.

İstifadə olunan dörd görüntü sinfi

Tədqiqat pipeline-ı

Mənbə Şəkil 1-də tədqiqat prosesini səkkiz əsas addımla göstərir: veri toplama, verini oxuma, verini bölmə, veri artırımı, CNN modelini yaratma, CNN modelini öyrətmə, CNN test nəticəsini qeyd etmə və yeni verini test etmə.

MATLAB tərəfində görüntülər imageDatastore ilə oxunur və qovluq adlarından sinif etiketləri avtomatik yaradılır. Verilərin siniflərə görə balanslı şəkildə bölünməsi üçün splitEachLabel istifadə olunur.

Veri artırımı niyə tətbiq olunur?

Mənbə, təlim verisinin müxtəlifliyini artırmaq və overfitting riskini azaltmaq üçün rotasiya, translasiya, zoom və üfüqi əks etdirmədən istifadə etdiyini bildirir. Bu əməliyyatlar MATLAB-dakı imageDataAugmenter və augmentedImageDatastore strukturları üzərindən tətbiq olunur.

Bununla birlikdə məqalə rotasiya bucağını, translasiya miqdarını, zoom aralığını və ya əks etdirmənin hansı ehtimalla tətbiq edildiyini raporlamır. Buna görə veri artırımı yanaşması bilinsə də, tam augmentasiya protokolu mənbə üzərindən birebir yenidən istehsal edilə bilmir.

Veri seti necə bölündü?

Mənbənin metod bölümündə ikinci hissə bəzi yerlərdə “validasi/pengujian”, yəni doğrulama/test kimi ifadə olunur. Nəticə bölümündə isə təlim, doğrulama və testdən üç ayrı vəzifə kimi söz edilsə də, rəqəmsal olaraq yalnız 2.288 təlim və 572 doğrulama görüntüsü raporlanır. Müstəqil üçüncü bir test dəstinin ölçüsü verilmir.

ResNet50 necə uyğunlaşdırıldı?

Mənbə əvvəlcədən öyrədilmiş ResNet50 modelinin istifadə edildiyini və son fully connected qatmanın dörd hədəf sinfə görə dəyişdirildiyini bildirir. Beləliklə, əvvəlcədən öyrənilmiş görüntü xüsusiyyətləri qorunarkən çıxış qatmanı beyin MRI sınıflandırma vəzifəsinə uyğunlaşdırılmışdır.

Ancaq mənbə hansı qatmanların dondurulduğunu, hansı qatmanların yenidən öyrədildiyini, qatmanlara fərqli learning-rate factor tətbiq edilib-edilmədiyini və ya istifadə olunan giriş görüntüsü ölçüləndirmə protokolunu ətraflı açıqlamır.

Çalışmanın Yöntəmi və Bulguları

Əsas təlim ayarları

Mənbənin metod bölümündəki əsas təlim konfiqurasiyası Adam optimizer, 50 epoch, mini-batch size 16, learning rate 0.001 və dropout 0.5 kimi verilmişdir. Təlim MATLAB trainNetwork() funksiyası ilə həyata keçirilmişdir. Öyrədilmiş şəbəkə daha sonra .mat faylı kimi saxlanaraq təkrar təlim aparmadan istifadə oluna bilir.

Mənbədə Bildirilən %98 Doğruluq Nə Deməkdir?

%98, mənbədə müqayisə edilən on təlim konfiqurasiyası arasındakı ən yüksək doğruluq dəyəridir; ancaq məqalə bu dəyərin tam müstəqil, xarici və pasiyent-səviyyəsində ayrılmış klinik test kohortunda əldə edildiyini göstərmədiyi üçün dəyər ən təhlükəsiz şəkildə çalışmanın öz daxili veri bölünməsi üzərindəki ən yaxşı model performansı kimi şərh edilməlidir.

Cədvəl daha çox epoch və ya daha uzun təlim müddətinin avtomatik olaraq daha yüksək doğruluq yaratmadığını göstərir. Məsələn, 100 epoch və learning rate 0.001 istifadə olunan doqquzuncu sxem %94 doğruluqda qalarkən, 50 epoch və eyni learning rate ilə batch 16 istifadə edən ikinci sxem %98-ə çatmışdır. Bu nəticə yalnız mənbədə test edilən konfiqurasiyalar üçün keçərlidir.

Nümunə yeni görüntü testləri

Mənbə daha sonra hər sinifdən 10 yeni görüntü üzərində ayrıca test cədvəli təqdim edir. Dörd cədvəldə də göstərilən 10 görüntünün hamısı doğru sinfə təyin edilmişdir.

Bu nəticələr mənbədə göstərilən kiçik nümunə qrupları üçün keçərlidir. Dörd sinfin hər birindəki 10 doğru proqnoz bütün hədəf populyasiyada və ya müstəqil klinik mərkəzlərdə %100 sinif doğruluğu olduğunu sübut etmir.

Proqnoz müddəti necə şərh edilməlidir?

Mənbə görüntü başına bir neçə millisaniyəlik proqnoz müddətləri raporlayır. Ancaq prosessor, GPU, RAM və inference donanımı göstərilmədiyi üçün bu dəyərlər alqoritmin donanımdan müstəqil sürəti kimi görülə bilməz. Proqnoz müddəti modellə birlikdə işlədildiyi hesablama mühitinin də xüsusiyyətidir.

Confusion matrix və sinifdən asılı xəta analizi

Metodologiya bölümündə confusion matrix istifadə ediləcəyi bildirilsə də, nəticələrdə tam veri setinə aid görünən confusion matrix dəyərləri təqdim olunmur. Sensitivity, specificity, precision, recall, F1-score və ROC-AUC dəyərləri də raporlanmadığı üçün məsələn glioma ilə meningioma arasındakı real xəta örüntüsü rəqəmsal olaraq qiymətləndirilə bilmir.

MATLAB App Designer interfeysi

Mənbə Şəkil 3-də MATLAB R2023b App Designer ilə hazırlanmış tətbiqin əsas ekranını göstərir. İnterfeysdə MRI görüntüsü göstərmə sahəsi və görüntü seçimi üçün “Pilih Gambar” kontrolu vardır. “Prediksi”, “Latih Data” və “Lihat Data” düymələri müvafiq olaraq sınıflandırma, model təlimi və veri görüntüləmə əməliyyatlarına giriş təmin edir.

Mənbə Şəkil 4-də sınıflandırma tamamlandıqda açılan “Prediksi Selesai” bildiriş qutusunu göstərir. Nümunə ekranda nəticə pituitary_tumor olaraq görüntülənir. Bu GUI modelin proqramlaşdırma kodu yazmadan istifadə edilə bilməsini hədəfləyən tədqiqat prototipidir.

Bu GUI Klinik Diaqnoz Üçün Yetərli Bir Sistemdir?

Xeyr; mənbə GUI-nin texniki olaraq MRI görüntüsü alıb dörd sinifdən birini göstərə bildiyini ortaya qoyur, ancaq xarici klinik doğrulama, prospektiv pasiyent çalışması, radioloq müqayisəsi, pasiyent-əsaslı veri ayrımı və klinik xəta ölçütləri raporlanmadığından tətbiqin müstəqil tibbi diaqnoz sistemi kimi doğrulandığı deyilə bilməz.

Veri seti haqqında bilinməyən kritik detallar

Məqalə veri görüntülərinin Kaggle, Radiopaedia və TCIA-dan gəldiyini bildirir. Bununla birlikdə hansı Kaggle datasetinin istifadə edildiyi, TCIA kolleksiya kimliyi, Radiopaedia nümunələrinin necə seçildiyi, toplam pasiyent sayı, eyni pasiyentin neçə kəsitinin olduğu, MRI sekansları, cihaz istehsalçıları və ya görüntüləmə mərkəzləri göstərilmir.

Veri bölmə əməliyyatının görüntü səviyyəsindəmi, yoxsa pasiyent səviyyəsindəmi aparıldığı da açıqlanmır. Buna görə təlim və doğrulama dəstlərində eyni pasiyentə aid fərqli görüntülərin olmadığı mənbədən doğrulana bilmir. Bu, veri sızıntısı sübutu deyil; mənbə raporlamasının bu ehtimalı qiymətləndirməyə yetmədiyini göstərir.

Modelin yenidən istehsal edilə bilmə sərhədləri

Çalışma əsas hiperparametrləri açıq şəkildə versə də, görüntü yenidən ölçüləndirmə və normalizasiya detalları, veri artırımı sərhədləri, random seed, exact train/validation indices, fine-tune edilən ResNet50 qatmanları və hesablama donanımı raporlanmamışdır. Buna görə ümumi MATLAB iş axını yenidən qurula bilər; lakin yayımlanan bilgilərlə eyni %98 nəticənin birebir yenidən istehsalı zəmanət edilə bilməz.

Çalışmanın dəstəklədiyi nəticələr

Mənbə, verilən veri kolleksiyası və MATLAB təlim düzəni çərçivəsində ResNet50 transfer learning yanaşmasının dörd sinifli beyin MRI görüntü sınıflandırmasında yüksək daxili performans təmin edə bildiyini dəstəkləyir. On təlim sxemi arasındakı ən yaxşı nəticə %98 olaraq bildirilmişdir. Bundan əlavə modelin MATLAB App Designer əsaslı istifadə edilə bilən GUI prototipinə inteqrasiya oluna bildiyi göstərilmişdir.

Çalışmanın dəstəkləmədiyi ümumiləşdirmələr

Çalışma ResNet50 modelinin bütün xəstəxanalarda, bütün MRI cihazlarında, fərqli populyasiyalarda və ya yeni klinik mərkəzlərdə %98–100 diaqnostik doğruluq təmin edəcəyini göstərmir. Mənbədə xarici doğrulama kohortu və ya prospektiv klinik çalışma yoxdur.

Hər sinifdə 10 nümunənin doğru sınıflandırılması sensitivity və ya specificity-nin %100 olduğu anlamına gəlmir. Eyni şəkildə bir neçə millisaniyəlik proqnoz müddəti, donanım detalları verilmədiyi üçün bütün sistemlərdə eyni sürətin əldə ediləcəyini göstərmir.

Buna görə sistemin ən doğru elmi tərifi “MRI görüntülərində dörd sinifli beyin şişi sınıflandırması üçün MATLAB/ResNet50 əsaslı tədqiqat prototipi”dir.

Kaynak və Yöntem Notu

Çalışmanın əsas elmi nəticəsi, ResNet50 transfer learning yanaşmasının yazarların yaratdığı təxminən 2.860 görüntülük veri kolleksiyasında yüksək sınıflandırma doğruluğu yarada bilməsi və MATLAB App Designer üzərindən istifadə edilə bilən bir interfeysə köçürülə bilməsidir.

Ən mühüm metodoloji sərhəd, %80/%20 veri bölünməsi raporlanmasına baxmayaraq müstəqil test setinin açıq rəqəmsal tərifinin olmamasıdır. Mətn təlim, doğrulama və test anlayışlarını ayrı istifadə edir; ancaq görüntü sayıları yalnız təlim və doğrulama qrupları üçün verilir. Buna görə %98 dəyərinin tam olaraq hansı qiymətləndirmə alt dəstinə aid olduğunun raporlanması kifayət qədər açıq deyil.

Mənbə ayrıca confusion matrix istifadəsindən söz edir, lakin nəticə bölümündə tam doğrulama/test dəstinə aid görünən confusion matrix və ya sensitivity, specificity, precision, recall, F1-score və ROC-AUC dəyərləri raporlamır. Dörd sinif üçün verilən %100 nəticələr ayrıca 10 görüntülük nümunə testlərə aiddir.

Pasiyent kimliyi, görüntüləmə sekansı, MRI cihazı, mərkəz, pasiyent-səviyyəsində bölmə, xarici doğrulama və hesablama donanımı bilgiləri olmadığından modelin klinik genellenebilirliği və ya başqa donanımlardakı sürət performansı bu çalışma üzərindən müəyyən edilə bilməz.

Buna görə Verianla anlatımında sistem həkim diaqnozunun yerinə keçən klinik qərar verici kimi deyil; yüksək daxili doğruluq bildirən, dörd sinifli MRI sınıflandırması edən MATLAB/ResNet50 tədqiqat prototipi kimi tanımlanmalıdır.