Бул иш мээнин Magnetic Resonance Imaging (MRI) сүрөттөрүн glioma, meningioma, pituitary tumor жана шишик жок сүрөт болуп төрт класска бөлүү үчүн алдын ала үйрөтүлгөн ResNet50 архитектурасына негизделген Convolutional Neural Network (CNN) жана transfer learning ыкмасын MATLAB чөйрөсүндө колдонот. Болжол менен 2.860 MRI сүрөтүнөн турган маалымат коллекциясы Kaggle, Radiopaedia жана The Cancer Imaging Archive (TCIA) сыяктуу коомдук ачык булактардан алынганы айтылган сүрөттөрдөн түзүлгөн; сүрөттөр MATLAB imageDatastore түзүмү менен башкарылган, маалыматты көбөйтүү колдонулган жана моделдин акыркы классификация катмары төрт класска ылайык өзгөртүлгөн.

Булакта 10 башка окутуу схемасы салыштырылган. Билдирилген эң жогорку тактык 50 epoch, mini-batch size 16, learning rate 0.001 жана 1.250 итерация колдонулган схемада %98 болгон. Бул окутуунун узактыгы булакта 293 секунд деп берилген. Мындан тышкары, төрт класстын ар бири үчүн өз-өзүнчө берилген 10 сүрөттүк жаңы маалымат сыноолорунда бардык үлгүлөр туура классификацияланган жана орточо божомол убакыттары болжол менен 0.0038–0.0045 секунд/сүрөт аралыгында билдирилген.

Модель MATLAB R2023b App Designer менен иштелип чыккан графикалык колдонуучу интерфейсине интеграцияланган. Ошентсе да иштин натыйжалары клиникалык диагностикалык тастыктоо катары бааланбашы керек. Макалада көз карандысыз тышкы тест когорту, пациент-деңгээлиндеги маалымат бөлүнүшү, sensitivity, specificity, precision, recall, F1-score, ROC-AUC же проспективдүү клиникалык тастыктоо билдирилген эмес. Ошондуктан иштелип чыккан система булак чегинде MRI классификациялоо изилдөө прототиби жана чечим-колдоо ыкмасы катары түшүндүрүлүшү керек.

ResNet50 MRI Сүрөттөрүндө Мээ Шишигин Кантип Классификациялайт?

Бул иште ResNet50 MRI сүрөтүндөгү визуалдык үлгүлөрдү CNN катмарлары аркылуу автоматтык түрдө чагылдырган алдын ала үйрөтүлгөн тармак катары колдонулат; transfer learning аркылуу акыркы fully connected классификация катмары төрт максаттуу класска ылайыкташтырылат жана тармак glioma, meningioma, pituitary tumor же no-tumor энбелгисин чыгарат.

CNN жана residual learning ыкмасынын ролу

Convolutional Neural Network сүрөттөрдөгү кыр, текстура, форма жана жогорку деңгээлдеги түзүлүштүк үлгүлөрдү ырааттуу конволюция катмарлары аркылуу үйрөнө алган терең үйрөнүү түзүмү болуп саналат. Булак CNN кол менен feature extraction жасоо зарылдыгын азайтканын бул иштин негизги жүйөлөрүнүн бири катары көрсөтөт.

ResNet50 болсо residual learning түзүмүн колдонгон тереңирээк CNN архитектурасы. Residual байланыштар терең тармактарда маалыматтын жана градиенттин катмарлар арасында түзүрөөк өтүшүн колдоп, көп катмарлуу тармактарды окутууну жеңилдетүүнү көздөйт. Бул иште тармак нөлдөн курулган эмес; алдын ала үйрөтүлгөн ResNet50 transfer learning максатында колдонулган.

Бул иштеги “божомол” эмнени билдирет?

Булактын аталышында классификация жана божомол сөздөрү бирге колдонулат. Бул жердеги божомол пациенттин келечектеги клиникалык жүрүшүн, өмүр узактыгын же шишиктин өсүшүн алдын ала айткан прогностикалык божомол эмес. Моделдин чыгышы бир MRI сүрөтүнүн төрт класстын кайсынысына тиешелүү экенине багытталган класс божомолу.

Колдонулган төрт сүрөт классы

Изилдөө pipeline-ы

Булак 1-сүрөттө изилдөө процессин сегиз негизги кадам менен көрсөтөт: маалымат чогултуу, маалыматты окуу, маалыматты бөлүү, маалыматты көбөйтүү, CNN моделин түзүү, CNN моделин окутуу, CNN тест натыйжасын сактоо жана жаңы маалыматты тесттен өткөрүү.

MATLAB тарабында сүрөттөр imageDatastore менен окулат жана папка аттарынан класс энбелгилери автоматтык түрдө түзүлөт. Маалыматтарды класстар боюнча тең салмактуу бөлүү үчүн splitEachLabel колдонулат.

Маалыматты көбөйтүү эмне үчүн колдонулат?

Булак окутуу маалыматынын ар түрдүүлүгүн көбөйтүү жана overfitting тобокелин азайтуу үчүн ротация, трансляция, zoom жана горизонталдык чагылдырууну колдонгонун билдирет. Бул операциялар MATLAB ичиндеги imageDataAugmenter жана augmentedImageDatastore түзүмдөрү аркылуу ишке ашырылат.

Ошол эле учурда макала ротация бурчун, трансляция көлөмүн, zoom аралыгын же чагылдыруу кандай ыктымалдык менен колдонулганын билдирбейт. Ошондуктан маалыматты көбөйтүү ыкмасы белгилүү болгону менен, толук augmentasyon протоколун булак аркылуу так кайра өндүрүү мүмкүн эмес.

Маалымат топтому кантип бөлүндү?

Булактын метод бөлүмүндө экинчи бөлүк айрым жерлерде “validasi/pengujian”, башкача айтканда тастыктоо/тест катары берилет. Натыйжа бөлүмүндө болсо окутуу, тастыктоо жана тест үч өзүнчө милдет катары айтылганы менен, сан жагынан болгону 2.288 окутуу жана 572 тастыктоо сүрөтү билдирилет. Көз карандысыз үчүнчү тест топтомунун көлөмү берилген эмес.

ResNet50 кантип ылайыкташтырылды?

Булак алдын ала үйрөтүлгөн ResNet50 модели колдонулганын жана акыркы fully connected катмар төрт максаттуу класска ылайык өзгөртүлгөнүн билдирет. Ошентип алдын ала үйрөнүлгөн сүрөт өзгөчөлүктөрү сакталуу менен, чыгыш катмары мээ MRI классификациялоо милдетине ылайыкташтырылган.

Бирок булак кайсы катмарлар тоңдурулганын, кайсы катмарлар кайра окутулганын, катмарларга башка learning-rate factor колдонулган-колдонулбаганын же киргизилген сүрөттү өлчөмдөө протоколун майда-чүйдөсүнө чейин баяндабайт.

Иштин Ыкмасы жана Натыйжалары

Негизги окутуу жөндөөлөрү

Булактын метод бөлүмүндөгү негизги окутуу конфигурациясы Adam optimizer, 50 epoch, mini-batch size 16, learning rate 0.001 жана dropout 0.5 катары берилген. Окутуу MATLAB trainNetwork() функциясы менен жүргүзүлгөн. Окутулган тармак кийин .mat файлы катары сакталып, кайра окутуу жүргүзбөстөн колдонулушу мүмкүн.

Булакта Билдирилген %98 Тактык Эмнени Билдирет?

%98 булакта салыштырылган он окутуу конфигурациясынын ичиндеги эң жогорку тактык мааниси болуп саналат; бирок макала бул маанинин толук көз карандысыз, тышкы жана пациент-деңгээлинде бөлүнгөн клиникалык тест когортунда алынганын көрсөтпөгөндүктөн, маанини эң коопсуз түрдө иштин ички маалымат бөлүнүшүндөгү эң мыкты модель көрсөткүчү катары түшүндүрүү керек.

Таблица көбүрөөк epoch же узагыраак окутуу убактысы автоматтык түрдө жогору тактык бербей турганын көрсөтөт. Мисалы, 100 epoch жана learning rate 0.001 колдонулган тогузунчу схема %94 тактыкта калса, 50 epoch жана ошол эле learning rate менен batch 16 колдонгон экинчи схема %98-ге жеткен. Бул жыйынтык булакта сыналган конфигурациялар үчүн гана жарактуу.

Жаңы сүрөттөрдүн үлгү тесттери

Булак андан кийин ар бир класстан 10 жаңы сүрөт боюнча өзүнчө тест таблицасын берет. Төрт таблицада көрсөтүлгөн 10 сүрөттүн баары туура класска дайындалган.

Бул натыйжалар булакта көрсөтүлгөн чакан үлгү топтору үчүн жарактуу. Төрт класстын ар бириндеги 10 туура божомол бардык максаттуу популяцияда же көз карандысыз клиникалык борборлордо %100 класс тактыгы бар экенин далилдебейт.

Божомол убактысы кантип түшүндүрүлүшү керек?

Булак сүрөт башына бир нече миллисекунддук божомол убакыттарын билдирет. Бирок процессор, GPU, RAM жана inference жабдыгы көрсөтүлбөгөндүктөн, бул маанилер алгоритмдин жабдыктан көз карандысыз ылдамдыгы катары кабыл алынбашы керек. Божомол убактысы модель иштетилген эсептөө чөйрөсүнүн да өзгөчөлүгү болуп саналат.

Confusion matrix жана класс-байланыштуу ката анализи

Методология бөлүмүндө confusion matrix колдонулары айтылганына карабай, натыйжаларда толук маалымат топтомуна тиешелүү көрүнүктүү confusion matrix маанилери берилбейт. Sensitivity, specificity, precision, recall, F1-score жана ROC-AUC маанилери да билдирилбегендиктен, мисалы glioma менен meningioma ортосундагы чыныгы ката үлгүсүн сандык түрдө баалоо мүмкүн эмес.

MATLAB App Designer интерфейси

Булак 3-сүрөттө MATLAB R2023b App Designer менен иштелип чыккан колдонмонун башкы экранын көрсөтөт. Интерфейсте MRI сүрөтүн көрсөтүү аймагы жана сүрөт тандоо үчүн “Pilih Gambar” контролу бар. “Prediksi”, “Latih Data” жана “Lihat Data” баскычтары тиешелүүлүгүнө жараша классификациялоо, модель окутуу жана маалыматты көрүү операцияларына жеткиликтүүлүк берет.

Булак 4-сүрөттө классификация аяктаганда ачылган “Prediksi Selesai” билдирүү кутусун көрсөтөт. Үлгү экранда натыйжа pituitary_tumor катары көрүнөт. Бул GUI моделди программалоо коду жазбай колдонууга мүмкүндүк берүүнү көздөгөн изилдөө прототиби.

Бул GUI Клиникалык Диагноз Үчүн Жетиштүү Системабы?

Жок; булак GUI техникалык жактан MRI сүрөтүн алып, төрт класстын бирин көрсөтө аларын далилдейт, бирок тышкы клиникалык тастыктоо, проспективдүү пациенттик изилдөө, радиолог менен салыштыруу, пациент-негизиндеги маалымат бөлүнүшү жана клиникалык ката өлчөмдөрү билдирилбегендиктен, колдонмо көз карандысыз медициналык диагноз системасы катары тастыкталды деп айтууга болбойт.

Маалымат топтому жөнүндө белгисиз маанилүү деталдар

Макала маалымат сүрөттөрү Kaggle, Radiopaedia жана TCIA-дан келгенин билдирет. Бирок кайсы Kaggle dataset колдонулганы, TCIA коллекция ID-си, Radiopaedia үлгүлөрү кантип тандалганы, жалпы пациент саны, бир эле пациенттин канча кесими бар экени, MRI секанстары, аппарат өндүрүүчүлөрү же сүрөт тартуу борборлору көрсөтүлгөн эмес.

Маалыматты бөлүү операциясы сүрөт деңгээлинде жүргүзүлгөнбү же пациент деңгээлинде жүргүзүлгөнбү да түшүндүрүлгөн эмес. Ошондуктан окутуу жана тастыктоо топтомдорунда бир эле пациентке тиешелүү ар башка сүрөттөрдүн жок экенин булактан ырастоо мүмкүн эмес. Бул маалымат агып кетүүсүнүн далили эмес; булактын отчеттуулугу бул ыктымалды баалоого жетишсиз экенин көрсөтөт.

Моделдин кайра өндүрүлүү чектери

Иш негизги гиперпараметрлерди ачык бергени менен, сүрөттү кайра өлчөмдөө жана нормалдаштыруу деталдары, маалыматты көбөйтүү чек аралары, random seed, exact train/validation indices, fine-tune кылынган ResNet50 катмарлары жана эсептөө жабдыгы билдирилген эмес. Ошондуктан жалпы MATLAB иш агымын кайра курууга болот; бирок жарыяланган маалыматтар менен ошол эле %98 натыйжаны так кайра алуу кепилденбейт.

Иш колдогон натыйжалар

Булак берилген маалымат коллекциясы жана MATLAB окутуу тартиби чегинде ResNet50 transfer learning ыкмасы төрт класстуу мээ MRI сүрөт классификациясында жогорку ички көрсөткүч бере аларын колдойт. Он окутуу схемасынын ичиндеги эң жакшы натыйжа %98 деп билдирилген. Ошондой эле моделдин MATLAB App Designer негизиндеги колдонууга жарактуу GUI прототибине интеграциялана алары көрсөтүлгөн.

Иш колдобогон жалпылоолор

Иш ResNet50 модели бардык ооруканаларда, бардык MRI аппараттарында, ар башка популяцияларда же жаңы клиникалык борборлордо %98–100 диагностикалык тактык берет деп көрсөтпөйт. Булакта тышкы тастыктоо когорту же проспективдүү клиникалык иш жок.

Ар бир класста 10 үлгүнүн туура классификацияланышы sensitivity же specificity %100 дегенди билдирбейт. Ошондой эле бир нече миллисекунддук божомол убактысы, жабдык деталдары берилбегендиктен, бардык системаларда ошол эле ылдамдык алынарын көрсөтпөйт.

Ошондуктан системанын эң туура илимий аныктамасы “MRI сүрөттөрүндө төрт класстуу мээ шишигин классификациялоо үчүн MATLAB/ResNet50 негизиндеги изилдөө прототиби” болуп саналат.

Булак жана Ыкма Эскертүүсү

Иштин негизги илимий натыйжасы — ResNet50 transfer learning ыкмасы авторлор түзгөн болжол менен 2.860 сүрөттүк маалымат коллекциясында жогорку классификация тактыгын бере алышы жана MATLAB App Designer аркылуу колдонууга жарактуу интерфейске өткөрүлө алышы.

Эң маанилүү методологиялык чек — %80/%20 маалымат бөлүнүшү билдирилгени менен, көз карандысыз тест топтомунун ачык сандык аныктамасы жок. Текст окутуу, тастыктоо жана тест түшүнүктөрүн өзүнчө колдонот; бирок сүрөт сандары окутуу жана тастыктоо топтору үчүн гана берилет. Ошондуктан %98 мааниси так кайсы баалоо ички топтомуна тиешелүү экенин билдирүү жетиштүү ачык эмес.

Булак ошондой эле confusion matrix колдонулушун айтат, бирок натыйжа бөлүмүндө толук тастыктоо/тест топтомуна тиешелүү көрүнүктүү confusion matrix же sensitivity, specificity, precision, recall, F1-score жана ROC-AUC маанилерин билдирбейт. Төрт класс үчүн берилген %100 натыйжалар өз-өзүнчө 10 сүрөттүк үлгү тесттерге тиешелүү.

Пациент кимдиги, сүрөт тартуу секансы, MRI аппараты, борбор, пациент-деңгээлинде бөлүү, тышкы тастыктоо жана эсептөө жабдыгы жөнүндө маалыматтар жок болгондуктан, моделдин клиникалык жалпылануусу же башка жабдыктардагы ылдамдык көрсөткүчү бул иш аркылуу аныкталбайт.

Ошондуктан Verianla баянында система дарыгер диагнозунун ордун баскан клиникалык чечим берүүчү катары эмес; жогорку ички тактык билдирген, төрт класстуу MRI классификациясын аткарган MATLAB/ResNet50 изилдөө прототиби катары аныкталышы керек.