Ин таҳқиқот моделҳои омӯзиши амиқ дар асоси EfficientNetB0 ва моделҳои гибридии омӯзиши мошиниро барои ҷудо кардани тасвирҳои резонанси магнитии майна ба чаҳор синф — глиома, менингиома, омоси гипофиз ва тасвирҳои бе омос — муқоиса кардааст. Дар маҷмӯъ 7.023 тасвири MRI, ки аз манбаъҳои кушодаи додаҳои Figshare, SARTAJ ва BR35H ҷамъоварӣ шудаанд, истифода гардиданд. Муҳаққиқон модели мустақил ва дақиқтанзимшудаи EfficientNetB0-ро бо чаҳор модели гибридӣ муқоиса карданд, ки хусусиятҳои амиқи тавассути EfficientNetB0 истихроҷшударо ба таснифгарҳои Support Vector Machine, K-Nearest Neighbours, Random Forest ва Multilayer Perceptron интиқол медиҳанд.

Мувофиқи ҷадвали асосии самаранокӣ, модели мустақили EfficientNetB0 ба %95 дақиқӣ, %98 ҳассосият ва %99 махсусият расидааст. Баландтарин дақиқии умумӣ дар модели гибридие мушоҳида шуд, ки истихроҷгари хусусиятҳои EfficientNetB0-ро бо таснифгари Support Vector Machine муттаҳид мекунад; барои ин модел %96 дақиқӣ, %98 ҳассосият ва %99 махсусият гузориш шудааст. Модели EfficientNetB0+MLP %94, модели EfficientNetB0+KNN %93 ва модели EfficientNetB0+Random Forest %88 дақиқӣ нишон додаанд.

Натиҷаҳо нишон медиҳанд, ки таснифи хусусиятҳои тасвирие, ки EfficientNetB0 омӯхтааст, тавассути SVM метавонад нисбат ба модели мустақил тақрибан як банди фоизӣ афзоиши дақиқии умумиро таъмин кунад. Бо вуҷуди ин, байни ҷадвали асосии самаранокӣ, ҷадвали натиҷаҳо аз рӯйи синф ва ҷадвали миқёспазирӣ дар мақола арзишҳои бо ҳам номувофиқ мавҷуданд. Илова бар ин, шумораи афзоиши додаҳо, тақсимоти моделҳо ва он ки вақтҳои коркард кадом марҳилаҳоро дар бар мегиранд, пурра шарҳ дода нашудааст.

Ин таҳқиқот озмоиши клиникии ташхисӣ нест. Додаҳои истифодашуда ретроспективӣ буда, аз маҷмӯаҳои додаҳои кушода гирифта шудаанд; санҷиши берунии эътибор аз беморхонаҳои мустақил, таҳқиқоти клиникии ояндабин, муқоиса бо радиологҳо ё арзёбӣ дар ҷараёни воқеии кори бемор анҷом дода нашудааст. Модел дараҷаи омос, марҳилаи саратон, зернавъи молекулавӣ, посух ба табобат ё пешомади беморро муайян намекунад. Он танҳо тасвири пешниҳодшударо ба яке аз чаҳор синфи тасвирӣ мансуб мекунад.

Аҳамияти эҳтимолӣ аз нигоҳи Туркия

Дар таҳқиқот додаҳои бемор, беморхона ё дастгоҳи MRI аз Туркия истифода нашудаанд. Бо вуҷуди ин, усул барои таҳқиқоти таҳлили тасвирҳои компютерӣ, ки метавонанд дар Туркия дар соҳаҳои радиология, нейрохирургия, нейроонкология, муҳандисии биотиббӣ ва информатикаи тандурустӣ гузаронида шаванд, намунаи мутобиқшавандаро пешниҳод мекунад. Аз ҷумла, истифодаи модели омӯзиши амиқ ҳамчун истихроҷгари хусусиятҳо ва алгоритми анъанавитар ҳамчун таснифгари ниҳоӣ як равиши тарроҳист, ки барои муҳитҳои таҳқиқотии дорои зерсохтори маҳдуди ҳисоббарорӣ сазовори баррасӣ мебошад.

Барои истифодаи боэътимод дар Туркия бояд бо додаҳои сатҳи бемор, ки аз шаҳрҳо ва беморхонаҳои гуногун, дастгоҳҳои гуногуни MRI ва протоколҳои гуногуни тасвирбардорӣ гирифта шудаанд, санҷиши берунии эътибор гузаронида шавад. Тақсимоти бар асоси бемор бояд татбиқ гардад, то тасвирҳои як бемор ба маҷмӯаҳои омӯзиш ва санҷиш паҳн нашаванд; натиҷаҳои модел бояд бо арзёбиҳои радиологҳои мутахассис муқоиса шаванд; таъсири клиникии натиҷаҳои манфии бардурӯғ ва мусбати бардурӯғ бояд алоҳида таҳлил карда шавад. Ин таҳқиқот низомеро пешниҳод намекунад, ки барои истифода дар ягон беморхонаи Туркия омода, иҷозатномадор ё қодир ба иваз кардани ташхиси клиникӣ бошад.

Мушкилоти асосии таҳқиқот чист?

Арзёбии омосҳои майна аз тасвирҳои MRI аз сабаби шабоҳати хусусиятҳои тасвирӣ, пайдо шудани омосҳо дар андозаҳо ва ҷойҳои гуногун ва тағйирёбии протоколҳои тасвирбардорӣ мушкили душвори тасниф мебошад. Арзёбии дастӣ тахассус талаб мекунад ва ба гуфтаи муҳаққиқон метавонад ба фарқиятҳои байни шахсони тафсиркунанда ҳассос бошад.

Ҳадафи таҳқиқот арзёбӣ кардани он аст, ки оё модели EfficientNetB0, ки қаблан дар маҷмӯаи бузурги тасвирҳои табиӣ омӯзонида шудааст, метавонад аз тасвирҳои MRI хусусиятҳои фарқкунанда омӯзад ва оё муттаҳид кардани ин хусусиятҳо бо таснифгарҳои анъанавии омӯзиши мошинӣ самаранокиро беҳтар мекунад ё не.

Дар таҳқиқот ду равиши асосӣ муқоиса шудаанд:

• Модели мустақили омӯзиши амиқ: EfficientNetB0 тасвирро аз аввал то охир коркард карда, бевосита яке аз чаҳор синфро мебарорад.
• Равиши гибридӣ: EfficientNetB0 аз тасвир вектори амиқи хусусиятҳоро истихроҷ мекунад ва таснифи ниҳоӣ тавассути SVM, KNN, Random Forest ё MLP анҷом дода мешавад.

Таҳқиқот воқеан чиро тасниф мекунад?

Модел байни чаҳор тамғаи тасвирӣ фарқ мегузорад:

• Глиома
• Менингиома
• Омоси гипофиз
• Омос нест

Ин синфҳо марҳила ё дараҷаи омосро нишон намедиҳанд. Дар маҷмӯаи додаҳо тамғаҳои марҳилаи саратон ба монанди Марҳилаи I, Марҳилаи II, Марҳилаи III ё Марҳилаи IV; дараҷаҳои гистологӣ ба монанди дараҷаи паст ё баланд; ё хусусиятҳои молекулавӣ ба монанди IDH, 1p/19q ё MGMT мавҷуд нестанд. Аз ин рӯ, ибораи «таснифи марҳилаҳои саратон», ки дар баъзе қисмҳои таҳқиқот истифода шудааст, бо сохтори додаҳои тавсифшуда мувофиқат намекунад.

Модел ҳамчунин сарҳади омосро дар тасвир намекашад, ҳаҷми онро чен намекунад ва нишон намедиҳад, ки кадом минтақаи пикселӣ ба қарор таъсир кардааст. Ин таҳқиқот таҳқиқоти сегментатсия нест, балки таҳқиқоти тасниф дар сатҳи тасвир мебошад.

Маҷмӯаи додаҳо чӣ гуна сохта шудааст?

Дар маҷмӯъ 7.023 тасвири MRI аз се манбаи кушода ҷамъоварӣ шудааст:

• Маҷмӯаи додаҳои омоси майнаи Figshare
• Маҷмӯаи додаҳои SARTAJ Brain Tumor Classification MRI
• Маҷмӯаи додаҳои BR35H Brain Tumor Detection

Тасвирҳои синфи «Омос нест» аз манбаи BR35H гирифта шудаанд. Муҳаққиқон гузориш додаанд, ки дар таснифи тасвирҳои глиома дар маҷмӯаи додаҳои SARTAJ номувофиқӣ муайян карда, ин тасвирҳоро бо тасвирҳои глиома аз манбаи Figshare иваз кардаанд.

Синфҳо комилан мутавозин нестанд; аммо фарқи байни хурдтарин ва калонтарин синф 379 тасвир аст. Таҳқиқот ҳадаф гузоштааст, ки дар марҳилаи омӯзиш тавассути афзоиши додаҳо синфҳоро мутавозин кунад.

Марҳилаҳои пешкоркарди додаҳо

Тасвирҳои аслӣ андозаи 512×512 пиксел доранд. Ҳамаи тасвирҳо барои ворид шудан ба модели EfficientNetB0 ба 299×299 пиксел тағйири андоза дода шуданд. Сипас танзимҳои равшанӣ ва контраст татбиқ гардида, арзишҳои пикселӣ стандартизатсия шуданд.

Дар матн раванди нормализатсия ҳамчун тарҳ кардани миёна аз ҳар як канали тасвир ва тақсим кардан ба инҳирофи стандартӣ шарҳ дода шудааст, то тақсимоте бо миёнаи сифр ва инҳирофи стандартии як ба даст ояд.

Амалиётҳои афзоиши додаҳо инҳоянд:

• Гардиши тасодуфӣ тақрибан аз −25° то +25°
• Баргардонидани уфуқӣ
• Афзоиши ҳар як тасвир барои тавлиди намунаҳои иловагӣ

Дар як қисми таҳқиқот гуфта шудааст, ки ҳар як тасвир «ду баробар» афзоиш дода шудааст, дар ҳоле ки дар Ҷадвали 1 ҳадафи омӯзиш барои ҳар як синф 3.000 тасвир нишон дода шудааст. Агар ҳар яке аз чаҳор синф то 3.000 тасвир зиёд карда мешуд, маҷмӯи умумии ҳавзи омӯзишии афзоишёфта 12.000 тасвирро ташкил медод. Аммо дар ҳамон ҷадвал маҷмӯи умумии омӯзиш 5.712 тасвир нишон дода шудааст. Шарҳ дода нашудааст, ки кадом тасвирҳо афзоиш дода шуданд, тасвирҳои афзоишёфта кай сохта шуданд ва ҳадафи 3.000 тасвир барои ҳар синф бо 5.712 тасвири омӯзишӣ чӣ гуна мувофиқ карда шудааст.

Тақсимоти омӯзиш ва санҷиш

Аз маҷмӯи 7.023 тасвир 5.712 тасвир барои омӯзиш ва 1.311 тасвир барои санҷиш ҷудо карда шудааст. Ин тақсимот тақрибан ба %81 омӯзиш ва %19 санҷиш мувофиқ аст.

Барои моделҳои гибридӣ ҳамчунин тақсимоти %80 барои омӯзиш ва валидатсия ва %20 барои санҷиш гузориш шудааст. Аммо нишон дода нашудааст, ки оё ин тақсимот бо ҷудокунии 5.712–1.311 яксон аст, дар ҳар модел ҳамон намунаҳои тасодуфӣ истифода шудаанд ё маҷмӯаҳои санҷишии алоҳида сохта шудаанд.

Ҳамчунин шарҳ дода нашудааст, ки тақсимоти додаҳо дар сатҳи бемор ё дар сатҳи тасвир анҷом дода шудааст. Агар аз як бемор якчанд буриш ё тасвирҳои монанд мавҷуд бошанд, тақсимоте, ки бар асоси бемор нест, метавонад байни маҷмӯаҳои омӯзиш ва санҷиш монандии иттилоотӣ ба вуҷуд оварад. Таҳқиқот барои нишон додани пешгирии чунин эҳтимолият шиносаи бемор, тақсимоти гурӯҳӣ ё назорати тасвирҳои такрориро пешниҳод накардааст.

Илова бар ин, маълум нест, ки афзоиши додаҳо пеш аз ҷудокунии санҷиш татбиқ шудааст ё баъд аз он. Дар арзёбии боэътимод бояд ба таври возеҳ нишон дода шавад, ки ҳосилаҳои афзоишёфта танҳо дар қисми омӯзиш сохта шудаанд.

Меъмории EfficientNetB0

Дар таҳқиқот EfficientNetB0 ҳамчун шабакаи нейронии конволютсионӣ бо тақрибан 5,3 миллион параметр ва тақрибан 82 қабат тавсиф шудааст. Ҷузъҳои асосии шабака инҳоянд:

• Блоки решавӣ, ки аз қабати ибтидоии конволютсионӣ, нормализатсияи гурӯҳӣ ва фаъолсозии Swish иборат аст
• Блокҳои Mobile Inverted Bottleneck Convolution
• Конволютсияҳои ҷудошаванда аз рӯйи амиқӣ
• Блокҳои Squeeze-and-Excitation
• Пайвастҳои боқимонда
• Pooling-и миёнаи глобалӣ
• Қабати тасниф, ки эҳтимолиятҳои ниҳоии синфҳоро тавлид мекунад

Конволютсияи ҷудошаванда аз рӯйи амиқӣ барои кам кардани шумораи амалиётҳо конволютсияи стандартиро ба марҳилаҳои конволютсияи каналӣ ва нуқтавии 1×1 ҷудо мекунад. Блокҳои Squeeze-and-Excitation бошанд, аҳамияти каналҳоро омӯхта, вазни хусусиятҳои муфидро зиёд кардан мехоҳанд.

Омӯзиши интиқолӣ ва дақиқтанзимкунӣ

Муҳаққиқон вазнҳои EfficientNetB0-ро, ки қаблан дар ImageNet омӯзонида шуда буданд, ҳамчун нуқтаи оғоз истифода кардаанд. Сипас қабатҳои пешакӣ омӯзонидашуда озод карда шуда, дар маҷмӯаи додаҳои MRI дубора танзим карда шуданд.

Функсияи талафот, ҷадвалбандии суръати омӯзиш, меъёри қатъи барвақт, коҳиши вазн, тухми ибтидоии тасодуфӣ ва он ки беҳтарин модел аз рӯйи кадом меъёри валидатсия интихоб шудааст, нишон дода нашудаанд.

Муҳити иҷро

Гузориш шудааст, ки таҳқиқот дар Google Colab Pro+ бо 52 GB RAM ва V2-8 TPU анҷом дода шудааст. Китобхонаҳои Python, Pandas, PyTorch ва Scikit-Learn истифода шудаанд. Дар айни замон, дар Ҷадвали 2 муҳити иҷро ҳамчун «GPU» навишта шудааст. Шарҳ дода нашудааст, ки ибораҳои TPU ва GPU ба таҷрибаҳои гуногун тааллуқ доранд ё не.

Версияҳои Python, PyTorch ва Scikit-Learn; усули истифодаи TPU; он ки модел ба таври тақсимшуда ё дар як дастгоҳ омӯзонида шудааст ва вақтҳои коркард чӣ гуна ба истифодаи сахтафзор вобастаанд, оварда нашудаанд.

Модели гибридӣ чӣ гуна сохта шудааст?

Дар равиши гибридӣ қабати ниҳоии таснифи модели дақиқтанзимшудаи EfficientNetB0 истифода нашудааст; аз баромади pooling-и миёнаи глобалӣ векторе истихроҷ шудааст, ки тибқи гузориш барои ҳар як тасвир аз 9.216 хусусият иборат аст. Ин векторҳо ба чаҳор алгоритми гуногуни омӯзиши мошинӣ дода шудаанд.

Шакли дақиқи тензории вектори хусусиятҳо, аз кадом қабат гирифта шудани он, миқёсгузорӣ шудан ё нашуданаш ё татбиқ шудани коҳиши андоза ба таври муфассал нишон дода нашудааст. Дар таҳқиқот баромади қабат ё порчаи коде мавҷуд нест, ки робитаи байни pooling-и миёнаи глобалӣ ва 9.216 хусусиятро нишон диҳад.

Support Vector Machine

SVM таснифгари назоратшавандаест, ки кӯшиш мекунад дар фазои хусусиятҳои бисёрандоза сарҳади беҳтарини қарорро байни синфҳо пайдо кунад. Дар таҳқиқот беҳтарин натиҷаи умумӣ бо SVM ба даст омадааст. Бо вуҷуди ин, нишон дода нашудааст, ки кадом ядро — хаттӣ, полиномӣ ё радиалӣ — истифода шудааст; инчунин \(C\), \(\gamma\), вазнҳои синфҳо ва стратегияи қарори бисёрсинфӣ оварда нашудаанд.

K-Nearest Neighbours

KNN намунаи навро мувофиқи синфҳои наздиктарин ҳамсояҳои он дар фазои хусусиятҳо таъин мекунад. Дар таҳқиқот аз нигоҳи миқёспазирӣ кӯтоҳтарин вақтҳои коркардро ба даст овардааст. Дар бораи шумораи ҳамсояҳои истифодашуда, меъёри масофа, вазнгузории ҳамсояҳо ва стандартизатсияи хусусиятҳо маълумот дода нашудааст.

Random Forest

Random Forest ба овози аксарияти шумораи зиёди дарахтони қарор, ки бо зермаҷмӯаҳои гуногуни додаҳо ва хусусиятҳо омӯзонида шудаанд, такя мекунад. Дар байни моделҳои баррасишуда пасттарин дақиқии асосӣ дар ҳамин модел мушоҳида шудааст. Шумораи дарахтон, амиқии ҳадди аксар, меъёри тақсим ва шумораи хусусиятҳои истифодашуда дар ҳар гиреҳ гузориш нашудаанд.

Multilayer Perceptron

MLP шабакаи нейронии пешравест, ки аз як ё якчанд қабати пинҳонӣ иборат аст. Дар ҷадвали миқёспазирӣ MLP баландтарин вақтҳои коркардро нишон додааст. Шумораи қабатҳои пинҳонӣ, шумораи нейронҳо, функсияҳои фаъолсозӣ, мунтазамсозӣ, усули оптимизатсия ва давраи омӯзиш оварда нашудаанд.

Меъёрҳои арзёбӣ

Дар таҳқиқот дақиқӣ, ҳассосият ва махсусият истифода шудаанд. Дар матн муодилаи дақиқӣ ба шакли зерин чоп шудааст:

\[ \mathrm{Accuracy}= \frac{TP+TN} {TP+TB+FP+FN}\times100 \]

Дар ин муодила \(TB\) дар махраҷ муайян нашудааст. Азбаски дар шарҳи баъдӣ \(TP\), \(TN\), \(FP\) ва \(FN\) муайян шудаанд, ифодаи \(TB\) эҳтимолан хатои навишт мебошад. Дар шакли стандартӣ махраҷе, ки шумораи умумии намунаҳоро ифода мекунад:

\[ TP+TN+FP+FN \]

бояд бошад. Аммо хатои матни аслӣ хомӯшона ислоҳ нашудааст.

Муодилаи ҳассосият:

\[ \mathrm{Sensitivity}= \frac{TP}{TP+FN}\times100 \]

Муодилаи махсусият:

\[ \mathrm{Specificity}= \frac{TN}{TN+FP}\times100 \]

мебошад. Дар масъалаи бисёрсинфӣ шарҳ дода нашудааст, ки ҳассосият ва махсусият бо миёнаи макро, миёнаи вазндор ё усули як-синф-бар-зидди-дигарон ҳисоб шудаанд ё не.

Дар таҳқиқот precision, холҳои F1, каҷи receiver operating characteristic, масоҳати зери каҷ, калибровкаи эҳтимолияти пешгӯӣ ё таҳлили ҳадди қарор пешниҳод нашудаанд.

Натиҷаҳои умумии модел

Мувофиқи ҷадвали асосӣ, гибриди SVM нисбат ба EfficientNetB0-и мустақил танҳо як банди фоизӣ дақиқии баландтар нишон додааст. Арзишҳои ҳассосият ва махсусият дар ду модел яксонанд. Аз ин рӯ, беҳбудии гузоришшуда асосан бо фарқи хурд дар ҳиссаи умумии таснифҳои дуруст маҳдуд мешавад.

Махсусияти SVM дар ҷадвали асосӣ %99 нишон дода шудааст. Ёддошти зери ҷадвал мегӯяд, ки дар ҷадвали дигар арзиши %100 мавҷуд аст; аммо Ҷадвали 2, ки ба он истинод дода шудааст, меъмории модел ва параметрҳои омӯзишро дар бар мегирад ва натиҷаи махсусиятро надорад.

Натиҷаҳо аз рӯйи синф

Мувофиқи ин ҷадвал, EfficientNetB0-и мустақил дар глиома ва омоси гипофиз нисбат ба гибриди SVM натиҷаи баландтар дорад; гибриди SVM бошад, дар менингиома ва тасвирҳои бе омос каме натиҷаи баландтар нишон додааст.

Бо вуҷуди ин, дар хулоса ва шарҳи натиҷаҳо барои SVM арзишҳои менингиома %93, омос нест %99 ва омоси гипофиз %98 оварда шудаанд. Дар Ҷадвали 5 барои омос нест ва омоси гипофиз %97 навишта шудааст. Маълум нест, ки кадом арзишҳо натиҷаҳои ниҳоӣ мебошанд.

Муайян карда нашудааст, ки меъёри «дақиқии синф», ки дар ҷадвал истифода шудааст, ҳассосияти ҳар як синф аст, ҳиссаи пешгӯиҳои дуруст дар дохили синф аст ё арзише, ки бо усули дигари аз матритсаи иштибоҳ гирифташуда ҳисоб шудааст.

Матритсаҳои иштибоҳ

Муҳаққиқон зикр мекунанд, ки барои ҳар як модел матритсаи иштибоҳ сохта шудааст. Аммо дар версияи 18-саҳифаие, ки баррасӣ шудааст, ҷадвалҳои рақамӣ ё тасвирҳои ин матритсаҳо вуҷуд надоранд. Аз ин рӯ, мустақиман арзёбӣ кардан имконнопазир аст, ки глиомаҳо бештар бо кадом синф ва менингиомаҳо бештар бо кадом синф иштибоҳ мешаванд.

Набудани матритсаҳои иштибоҳ таҳлили хатогиҳои манфии бардурӯғ ва мусбати бардурӯғро аз рӯйи синф, ки махсусан дар таснифоти тиббӣ муҳим аст, маҳдуд мекунад.

Арзёбии миқёспазирӣ

Моделҳои гибридӣ дар чаҳор даври санҷишӣ бо 1.311, 3.200, 4.000 ва 6.000 тасвир арзёбӣ шудаанд. Таҳқиқот дақиқӣ, вақти умумии коркард, вақти миёна барои ҳар тасвир, ҳадди хато ва фосилаҳои эътимоди %95-ро гузориш кардааст.

SVC дар 6.000 тасвир бо 0,9580 баландтарин дақиқиро нигоҳ доштааст. Фосилаи эътимоди %95 барои ин натиҷа 0,9529–0,9631 нишон дода шудааст. KNN кӯтоҳтарин вақтҳои коркардро таъмин карда бошад ҳам, дар 6.000 тасвир дақиқии он то 0,9327 коҳиш ёфтааст. MLP, сарфи назар аз нигоҳ доштани дақиқии баланд, бо вақти коркарди зиёда аз 2.166 сония гаронтарин модел шудааст. Random Forest ҳам аз нигоҳи дақиқӣ пасттар мондааст ва ҳам бо афзоиши ҳаҷми додаҳо коҳиши равшантари самаранокиро нишон додааст.

Номувофиқӣ дар натиҷаҳои миқёспазирӣ

Дар ҷадвали асосии самаранокӣ дақиқии KNN %93, MLP %94, Random Forest %88 ва SVM %96 нишон дода шудааст. Дар даври аввали ҷадвали миқёспазирӣ бо 1.311 тасвир бошад, ҳамин моделҳо мутаносибан %96,42, %95,65, %93,70 ва %97,93 дақиқӣ нишон медиҳанд.

Шарҳ дода нашудааст, ки чаро дар маҷмӯаи санҷишии 1.311 тасвир, ки аз нигоҳи андоза яксон ба назар мерасад, чунин натиҷаҳои фарқкунанда ба вуҷуд омадаанд. Эҳтимол аст, ки маҷмӯаҳои омӯзишии гуногун, тақсимоти тасодуфии гуногун ё шароити алоҳидаи таҷрибавӣ истифода шудаанд; аммо таҳқиқот инро нишон намедиҳад.

Дар бахши муҳокима даври аввали SVM ҳамчун «0,9797 дар 1.911 тасвир» тавсиф шудааст. Дар Ҷадвали 6 бошад, «0,9793 дар 1.311 тасвир» навишта шудааст. Аз ин рӯ, ҳангоми тафсири натиҷаҳои миқёспазирӣ бояд ба назар гирифт, ки арзишҳои ҷадвал бо матн пурра мувофиқат намекунанд.

Даъво дар бораи арзиши ҳисоббарорӣ

Таҳқиқот пешниҳод мекунад, ки равиши гибридӣ дар марҳилаи ниҳоии тасниф метавонад арзиши камтари ҳисоббарорӣ ва вақти кӯтоҳтари омӯзишро таъмин кунад. Дар ин равиш, пас аз он ки EfficientNetB0 як бор ҳамчун истихроҷгари хусусиятҳо истифода мешавад, таснифгарҳои анъанавӣ дар рӯйи векторҳои хусусиятҳо кор мекунанд.

Аммо маълум нест, ки вақтҳои коркарди гузоришшуда марҳилаи истихроҷи хусусиятҳои EfficientNetB0-ро дар бар мегиранд ё не. Вақти омӯзиш, вақти санҷиш, вақти inference барои ҳар намуна, истеъмоли энергия ё истифодаи хотираи модели мустақили EfficientNetB0 низ дар ҳамон ҷадвал оварда нашудаанд.

Аз ин рӯ, андозаи миқдории хулосаи «модели гибридӣ нисбат ба модели мустақили омӯзиши амиқ ҳисоббарории камтар талаб мекунад» аз додаҳои мавҷуда ҳисоб карда намешавад. Ҷадвал танҳо фарқиятҳои вақтро байни худи таснифгарҳои гибридӣ нишон медиҳад.

Ҷиҳатҳои қавии таҳқиқот

• Ҳавзи нисбатан бузурги тасвирӣ аз 7.023 тасвир истифода шудааст, ки се манбаи кушодаро муттаҳид мекунад.
• Се синфи омос ва тасвирҳои бе омос дар доираи як масъалаи чаҳорсинфӣ арзёбӣ шудаанд.
• Модели мустақили EfficientNetB0 бо чаҳор меъмории гибридӣ бевосита муқоиса шудааст.
• Омӯзиши интиқолӣ ва афзоиши додаҳо барои ҳалли мушкили маҳдудияти додаҳои тасвирии тиббӣ якҷоя истифода шудаанд.
• Ғайр аз дақиқии умумӣ, ҳассосият ва махсусият низ гузориш шудаанд.
• Дар ҳаҷмҳои гуногуни додаҳо таҳлили вақти коркард ва фосилаи эътимод анҷом дода шудааст.
• Манбаъҳои кушодаи додаҳо ва истинод ба кумитаи ахлоқ пешниҳод шудаанд.
• Таҳқиқот маҳдудиятҳои худро вобаста ба валидатсияи берунӣ, фарқияти секвенсҳои MRI ва тавзеҳпазирӣ ба таври возеҳ эътироф кардааст.

Маҳдудиятҳои таҳқиқот

• Таҳқиқот preprint мебошад, ки аз арзёбии ҳамтоён нагузаштааст.
• Шумораи синфҳо пас аз афзоиши додаҳо бо шумораи умумии омӯзиш мувофиқат намекунад.
• Таносубҳои тақсимоти додаҳо барои модели асосӣ ва моделҳои гибридӣ комилан яксон нестанд.
• Нишон дода нашудааст, ки тақсимот дар сатҳи бемор анҷом дода шудааст ё не.
• Нишон дода нашудааст, ки афзоиши додаҳо пас аз ҷудокунии санҷиш татбиқ шудааст.
• Формати тасвир, секвенси MRI ва хусусиятҳои беморон дар маҷмӯаҳои гуногуни додаҳои кушода пурра ҳуҷҷатгузорӣ нашудаанд.
• Арзёбӣ нашудааст, ки оё модел нишонаҳои визуалии аз ҳамон муассиса ё дастгоҳ омадаро омӯхтааст ё не.
• Гиперпараметрҳои SVM, KNN, Random Forest ва MLP оварда нашудаанд.
• Функсияи талафот, қатъи барвақт, интихоби модел ва танзимоти оғозкунии тасодуфӣ шарҳ дода нашудаанд.
• Матритсаҳои иштибоҳ дар матн зикр шудаанд, аммо пешниҳод нашудаанд.
• Барои натиҷаҳои асосӣ валидатсияи салибӣ ё таҷрибаҳои такрорӣ гузориш нашудаанд.
• Арзишҳои дақиқӣ дар ҷадвалҳои гуногун бо ҳам мувофиқат намекунанд.
• Арзишҳои SVM аз рӯйи синф байни хулоса, шарҳ ва ҷадвал тағйир меёбанд.
• Бо маҷмӯаи додаҳои мустақили берунии беморхона валидатсия анҷом дода нашудааст.
• Таҳқиқоти клиникии ояндабин ё муқоиса бо радиологҳо вуҷуд надорад.
• Харитаи гармӣ, saliency ё ягон баромади дигари XAI, ки қарорҳои моделро шарҳ диҳад, пешниҳод нашудааст.
• Калибровкаи эҳтимолии модел ва ҳаддҳои қарори клиникӣ арзёбӣ нашудаанд.
• Барои коди манбаъ, конфигуратсияи омӯзиш ва вазнҳои модел пайванди анбори кушода дода нашудааст.

Хулосаҳое, ки таҳқиқот дастгирӣ мекунад

• EfficientNetB0 дар тарҳи санҷишии истифодашуда тавонистааст чаҳор синфи тасвириро бо дақиқии умумии баланд ҷудо кунад.
• Дар ҷадвали асосии самаранокӣ гибриди EfficientNetB0+SVM баландтарин дақиқии умумиро нишон додааст.
• Гибриди SVM нисбат ба EfficientNetB0-и мустақил тақрибан як банди фоизӣ дақиқии баландтар нишон додааст.
• Random Forest дар натиҷаҳои асосӣ нисбат ба дигар таснифгарҳои гибридӣ самаранокии пасттар нишон додааст.
• KNN дар ҷадвали миқёспазирӣ кӯтоҳтарин вақтҳои коркардро нишон додааст.
• SVC дар таҷрибаи миқёспазирӣ бо 6.000 тасвир баландтарин дақиқиро нигоҳ доштааст.
• Бо зиёд шудани шумораи намунаҳо ҳаддҳои хатои гузоришшуда кам ва фосилаҳои эътимод танг шудаанд.

Хулосаҳое, ки таҳқиқот исбот намекунад

• Модел марҳилаи саратони майнаро тасниф намекунад.
• Модел ба таври қатъӣ муайян намекунад, ки омос некхоҳ ё бадхоҳ аст.
• Модел дараҷаи омос, зернавъи молекулавӣ ё интихоби табобатро пешгӯӣ намекунад.
• Таҳқиқот ошкоркунии воқеии бемории марҳилаи барвақтро анҷом намедиҳад.
• Модел минтақаи омосро сегмент намекунад ва ҳаҷми онро чен намекунад.
• Дақиқии %96 нишон намедиҳад, ки дар ҳамаи беморхонаҳо ва ҳамаи дастгоҳҳои MRI ҳамон самаранокӣ ба даст меояд.
• Натиҷаҳо бартарӣ нисбат ба самаранокии радиологҳоро исбот намекунанд.
• Модел ҳамчун дастгоҳи тиббие, ки метавонад ташхиси клиникиро иваз кунад, валидатсия нашудааст.
• Дақиқии баланди сатҳи тасвир исбот намекунад, ки дар сатҳи бемор ҳамон дақиқӣ ба даст меояд.
• Аз ҷиҳати миқдорӣ нишон дода нашудааст, ки арзиши умумии ҳисоббарории end-to-end-и модели гибридӣ аз EfficientNetB0-и мустақил камтар аст.
• Таҳқиқот нишон намедиҳад, ки истифодаи модел зиндамонии бемор ё натиҷаҳои табобатро беҳтар мекунад.

Усул ва Натиҷаҳои Таҳқиқот

Ҷараёни кори рақамӣ

1. Аз манбаъҳои Figshare, SARTAJ ва BR35H 7.023 тасвири MRI муттаҳид карда шудааст.
2. Бо сабаби мушкилоти таснифие, ки дар тасвирҳои глиомаи манбаи SARTAJ муайян шуданд, синфи глиома бо тасвирҳои Figshare иваз карда шудааст.
3. Андозаи тасвирҳо аз 512×512 пиксел ба 299×299 пиксел тағйир дода шудааст.
4. Равшанӣ, контраст ва нормализатсияи пикселҳо татбиқ шудаанд.
5. Бо гардиши тасодуфӣ ва баргардонидани уфуқӣ афзоиши додаҳо анҷом дода шудааст.
6. 5.712 тасвир барои омӯзиш ва 1.311 тасвир барои санҷиш ҷудо карда шудааст.
7. Қабатҳои EfficientNetB0, ки қаблан дар ImageNet омӯзонида шуда буданд, бо додаҳои MRI дақиқтанзим карда шудаанд.
8. Модели мустақили EfficientNetB0 ҳамчун таснифгари end-to-end-и чаҳорсинфӣ арзёбӣ шудааст.
9. Гузориш шудааст, ки аз EfficientNetB0 барои ҳар тасвир 9.216 хусусият истихроҷ шудааст.
10. Бо ин хусусиятҳо моделҳои SVM, KNN, Random Forest ва MLP омӯзонида шудаанд.
11. Моделҳо аз рӯйи дақиқӣ, ҳассосият ва махсусият муқоиса шудаанд.
12. Моделҳои гибридӣ дар доираи 1.311–6.000 тасвир ба таҷрибаҳои миқёспазирӣ ҷалб шудаанд.

Конфигуратсияи модели асосӣ

Рейтинги моделҳо

Шарҳ аз рӯйи модел

EfficientNetB0: Модели мустақил ба %95 дақиқии умумӣ расидааст. Аз рӯйи синф баландтарин натиҷаро бо %98 дар омоси гипофиз ва пасттарин натиҷаро бо %92 дар менингиома нишон додааст.

EfficientNetB0+SVM: Мувофиқи ҷадвали асосӣ бо %96 баландтарин дақиқии умумиро таъмин кардааст. Аммо арзишҳои аз рӯйи синф дар қисмҳои гуногуни мақола тағйир меёбанд. Дар ҷадвали миқёспазирӣ овардани арзиши %97,93 барои 1.311 тасвир низ бо ҷадвали асосӣ мувофиқ нест.

EfficientNetB0+MLP: Дар ҷадвали асосӣ %94 дақиқӣ нишон додааст. Гарчанде ки дар таҷрибаи миқёспазирӣ дақиқии баландро ба андозаи зиёд нигоҳ доштааст, бо вақтҳои зиёда аз 2.000 сония гибриде будааст, ки бештарини вақти ҳисоббарориро талаб кардааст.

EfficientNetB0+KNN: Дар ҷадвали асосӣ %93 дақиқӣ нишон додааст. Бо зиёд шудани ҳаҷми додаҳо дақиқӣ коҳиш ёфтааст, аммо аз нигоҳи вақти коркард нисбат ба дигар гибридҳо ба таври равшан зудтар мондааст.

EfficientNetB0+Random Forest: Дар ҷадвали асосӣ бо %88 дақиқӣ пасттарин натиҷаро нишон додааст. Хусусан дар синфҳои глиома ва менингиома нисбат ба дигар моделҳо арзишҳои пасттар ба даст овардааст.

Маълумоте, ки Расми 1 медиҳад

Ягона графики бисёрқисмии таҳқиқот дақиқии моделҳои KNN, MLP, Random Forest ва SVC-ро дар чаҳор ҳаҷми додаҳо нишон медиҳад. Хатҳои торик дақиқии моделро ва хатҳои равшан ҳаддҳои поёнӣ ва болоии фосилаи эътимоди %95-ро ифода мекунанд.

Дар ҳар чаҳор график дида мешавад, ки бо зиёд шудани ҳаҷми додаҳо дақиқӣ каме коҳиш меёбад. Ҳамзамон, бо зиёд шудани шумораи намунаҳо фосилаҳои эътимод танг мешаванд. SVC баландтарин каҷи дақиқӣ ва Random Forest пасттарин каҷро нишон додааст.

Графикҳо дақиқии моделро нишон медиҳанд, аммо каҷи муқоисавии вақти коркард ё миқёспазирии модели мустақили EfficientNetB0-ро дар бар намегиранд.

Ҳадди арзёбии оморӣ

Дар ҷадвали миқёспазирӣ ҳаддҳои хатое, ки ба таносубҳои биномиалӣ монанданд, ва фосилаҳои эътимоди %95 оварда шудаанд. Аммо барои натиҷаҳои асосии дақиқии %95 ва %96 ҳамон фосилаҳои эътимод пешниҳод нашудаанд. Барои муайян кардани он ки фарқи як банди фоизӣ байни моделҳо аз ҷиҳати оморӣ аҳамиятнок аст ё не, санҷиши ҷуфтшуда ё таҳлили бознамунасозӣ анҷом дода нашудааст.

Ҳатто агар SVM ва EfficientNetB0-и мустақил дар ҳамон тасвирҳо арзёбӣ шуда бошанд ҳам, танҳо аз рӯйи арзишҳои гирдкардашудаи дақиқӣ ба хулоса омадан мумкин нест, ки як модел ба таври боэътимод аз дигараш беҳтар аст. Барои ин тақсимоти хатогиҳо дар сатҳи намуна ва таҷрибаҳои такрорӣ лозиманд; таҳқиқот ин маълумотро пешниҳод намекунад.

Арзёбии қобилияти умумисозӣ

Гарчанде додаҳо аз се манбаи кушода муттаҳид шудаанд, валидатсияи берунӣ бо маҷмӯаи додаҳои мустақили беморхона, ки дар раванди омӯзиш ҳеҷ гоҳ истифода нашудааст, анҷом дода нашудааст. Манбаъҳои муттаҳидшуда метавонанд форматҳои гуногуни тасвир, контрастҳо, ҳалли тасвир ё ҳошияҳои гуногун дошта бошанд. Санҷида нашудааст, ки модел ба ҷойи хусусиятҳои омос нишонаҳои визуалии хоси манбаи додаҳоро омӯхтааст ё не.

Таҳқиқот зикр мекунад, ки додаҳои Figshare тасвирҳои контрастдори вазндори T1-ро дар бар мегиранд; аммо шарҳ дода нашудааст, ки оё секвенсҳо дар тамоми маҷмӯаи додаҳои муттаҳидшуда яксонанд ё не. Агар тасвирҳои T1, T2, FLAIR ё контрастдор омехта шуда бошанд, қобилияти воқеии умумисозии клиникии модел бояд алоҳида арзёбӣ шавад.

Арзёбӣ вобаста ба истифодаи клиникӣ

Муҳаққиқон низомро ҳамчун воситаи андешаи дуюм ё дастгирии қабули қарор барои радиологҳо ва нейроонкологҳо баррасӣ мекунанд. Аммо дар таҳқиқот озмоиши хонандаи мутахассис, санҷиши ҷараёни кори клиникӣ, муқоисаи вақти ташхис ё таҳлили эътимоди корбар анҷом дода нашудааст.

Пешгӯии модел ҷойгузини ташхиси гистопатологӣ ё арзёбии клиникӣ намешавад. Ташхиси глиома, менингиома ва омоси гипофизро танҳо ба як таснифи тасвири дученака такя карда қатъӣ кардан мумкин нест. Таҳқиқоти мавҷуда арзёбии ибтидоии техникии самаранокии алгоритмӣ мебошад.

Арзёбии умумии илмӣ

Бозёфти асосии таҳқиқот ин аст, ки таснифи хусусиятҳои амиқи тасвир, ки аз EfficientNetB0 истихроҷ шудаанд, тавассути SVM метавонад дар тарҳи додаҳои истифодашуда натиҷаи қавӣ диҳад. Гибриди SVM дар ҷадвали асосӣ нисбат ба модели мустақил афзоиши хурди дақиқиро таъмин кардааст.

Бо вуҷуди ин, масъалаи асосие, ки эътимоднокии натиҷаҳоро маҳдуд мекунад, ин аст, ки ҷадвалҳои гуногун барои ҳамон моделҳо дақиқиҳои гуногун гузориш мекунанд. Номувофиқии шумораи афзоиши додаҳо ва шумораи маҷмӯаи омӯзиш низ такрорсозии таҷрибаро душвор мекунад.

Ин таҳқиқотро на ҳамчун намоиши низоми ташхисии барои истифодаи клиникӣ омода, балки ҳамчун таҳқиқоти муқаддимавӣ барои муқоисаи таснифгарҳои гуногун бо хусусиятҳои EfficientNetB0 арзёбӣ кардан лозим аст. Арзиши воқеии усул ҳангоми санҷиши дубора бо тақсимоти бар асоси бемор, ҳамон маҷмӯаи санҷишӣ, гиперпараметрҳои пурра, коди кушода, валидатсияи берунӣ ва санҷишҳои клиникии ояндабин муайян шуда метавонад.

Ёддошт оид ба Манбаъ ва Усул

Номи пурраи аслии таҳқиқот: Hybrid Deep Learning Using MRI Scans for Advancements of Brain Tumours Multi-Classifications

Муаллифон ва тартиби онҳо: Amirparsa Rouhi; Fatemeh Parsakordasiabi; Timothy Albiges; Zoheir Sabeur.

Ҳаммуаллифи аввал: Дар таҳқиқот изҳороти саҳми баробар ё ҳаммуаллифии аввал мавҷуд нест. Нишонаи ситорача дар номҳои муаллифон ба эзоҳи муштараки муассиса ишора мекунад.

Муаллифи масъул: Zoheir Sabeur. Дар таҳқиқот суроғаи иртиботӣ zsabeur@bournemouth.ac.uk нишон дода шудааст.

Муассиса: Барои ҳамаи муаллифон Bournemouth University, Poole, Dorset, BH15 5BB, United Kingdom нишон дода шудааст. Рамзи почтаи муассиса ҳамон тавре нигоҳ дошта шудааст, ки дар таҳқиқот навишта шудааст; рамзи почтаи дигар аз сабти мустақили муассиса хомӯшона ба матн ворид карда нашудааст.

Суроғаҳои почтаи электронии муаллифон:

• Amirparsa Rouhi: s5643275@bournemouth.ac.uk
• Fatemeh Parsakordasiabi: s5643276@bournemouth.ac.uk
• Timothy Albiges: talbiges@bournemouth.ac.uk
• Zoheir Sabeur: zsabeur@bournemouth.ac.uk

DOI: Дар матни PDF-и таҳқиқот маълумоти равшани DOI мавҷуд нест ва DOI мустақилона тасдиқ карда нашудааст.

Рақами хулосаи SSRN: 7181697.

Навъи манбаъ: Мақолаи таҳқиқотии preprint оид ба таснифи тасвирҳои тиббӣ, омӯзиши амиқ ва омӯзиши мошинӣ.

Платформаи нашр: SSRN.

Маҷалла: Дар таҳқиқот номи маҷаллаи ҳамтобаррасишуда ё версияи нашршудаи маҷалла нишон дода нашудааст.

Ношир: Маълумоти алоҳида дар бораи ношири маҷалла мавҷуд нест.

Сол: Метадодаҳои файл соли 2026-ро нишон медиҳанд; дар матни асосӣ санаи равшани нашр алоҳида дода нашудааст.

Вазъи баррасии ҳамтоён: Таҳқиқот аз баррасии ҳамтоён нагузаштааст. Дар ҳар саҳифа огоҳии “Preprint not peer reviewed” мавҷуд аст.

Пайванди сабти расмӣ:https://papers.ssrn.com/sol3/papers.cfm?abstract_id=7181697

Арзёбии ахлоқӣ: Таҳқиқот аз ҷониби Bournemouth University Ethics Board бо рақами истинодии 66271 арзёбӣ шудааст. Азбаски танҳо пойгоҳҳои додаҳои ретроспективӣ, кушода ва беномшуда истифода шудаанд, изҳор шудааст, ки розигии иловагии бемор лозим набуд.

Маблағгузорӣ: Муҳаққиқон гузориш додаанд, ки аз ташкилотҳои маблағгузории давлатӣ, тиҷоратӣ ё ғайритиҷоратӣ гранти махсус гирифта нашудааст.

Бархӯрди манфиатҳо: Муаллифон изҳор кардаанд, ки манфиати молиявии маълум ё муносибати шахсие, ки метавонад ба таҳқиқот таъсир расонад, вуҷуд надорад.

Манбаъҳои кушодаи додаҳо:

• Figshare Brain Tumor Dataset
• SARTAJ Brain Tumor Classification MRI
• BR35H Brain Tumor Detection

Дастрасии код ва модел: Барои коди манбаъ, скриптҳои омӯзишӣ, вазнҳои модели омӯзонидашуда ё конфигуратсияҳои таҷриба пайванди анбори кушода дода нашудааст.

Саҳми муаллифон:

• Amirparsa Rouhi: Консептуализатсия, усул, нармафзор, валидатсия, таҳлили формалӣ, таҳқиқот ва бозбинӣ-таҳрир.
• Fatemeh Parsakordasiabi: Консептуализатсия, усул, нармафзор, валидатсия, таҳлили формалӣ, таҳқиқот, тарҳи аввалия ва бозбинӣ-таҳрир.
• Timothy Albiges: Таҳлили формалӣ, визуализатсия, машварат ва бозбинӣ-таҳрир.
• Zoheir Sabeur: Таҳлили формалӣ, машварат ва бозбинӣ-таҳрир.

Ин муҳтавои туркӣ бо баррасии пурраи таҳқиқоти 18-саҳифаии боршуда аз аввал то охир омода шудааст. Усули илмӣ, шумораи додаҳо, параметрҳои модел, ченакҳои самаранокӣ, ҷадвалҳо, графикҳо ва маҳдудиятҳо танҳо ба маълумоти дар таҳқиқот пешниҳодшуда асос ёфтаанд. Манбаъҳои берунӣ танҳо барои санҷиши ҳувияти библиографии муассиса ва муаллифон истифода шудаанд.

Номувофиқиҳои рақамӣ ва таҳририе, ки дар таҳқиқот дида мешаванд, хомӯшона ислоҳ нашудаанд. Ба онҳо номувофиқии ҳадафҳои синфӣ, ки ҳамчун 3.000 тасвир гузориш шудаанд, бо маҷмӯаи омӯзишии 5.712 тасвир, ду тақсимоти гуногуни додаҳо, арзишҳои гуногуни дақиқӣ дар ҷадвалҳои асосӣ ва миқёспазирӣ, тағйироти натиҷаҳои синфии SVM, истинодҳои нодурусти ҷадвал, номувофиқии 1.311–1.911 тасвир ва истилоҳи муайяннашудаи “TB” дар муодилаи дақиқӣ дохил мешаванд.

Муҳимтарин маҳдудиятҳои илмии таҳқиқот инҳоянд: нишон дода нашудани тақсимоти додаҳо бар асоси бемор, набудани валидатсияи берунии мустақил, стандартӣ набудани секвенсҳои MRI дар тамоми маҷмӯаи додаҳо, нопурра будани гиперпараметрҳои модел, пешниҳод нашудани баромадҳои тавзеҳпазирӣ, нашр нашудани матритсаҳои иштибоҳ ва анҷом дода нашудани арзёбии клиникӣ. Дақиқии гузоришшудаи %96 натиҷаи санҷиши сатҳи тасвир дар зери ҳамин маҳдудиятҳо мебошад ва набояд ҳамчун муваффақияти ташхиси клиникӣ тафсир карда шавад.