Ин таҳқиқот барои ҷудо кардани тасвирҳои Magnetic Resonance Imaging (MRI)-и майна ба чор синф — glioma, meningioma, pituitary tumor ва тасвири бе омос — равиши Convolutional Neural Network (CNN) ва transfer learning-ро бар пояи меъмории пешомӯзонидашудаи ResNet50 дар муҳити MATLAB татбиқ мекунад. Коллексияи маълумот, ки тақрибан аз 2.860 тасвири MRI иборат аст, аз тасвирҳое сохта шудааст, ки гуфта мешавад аз манбаъҳои оммавии кушода, аз ҷумла Kaggle, Radiopaedia ва The Cancer Imaging Archive (TCIA) гирифта шудаанд; тасвирҳо бо сохтори MATLAB imageDatastore идора шудаанд, афзоиши маълумот татбиқ шудааст ва қабати охирини таснифии модел барои чор синф тағйир дода шудааст.

Дар манбаъ 10 тарҳи гуногуни омӯзиш муқоиса шудааст. Баландтарин дурустии гузоришшуда дар тарҳе ба даст омадааст, ки 50 epoch, mini-batch size 16, learning rate 0.001 ва 1.250 итератсия истифода мекунад; арзиши он %98 аст. Давомнокии ин омӯзиш дар манбаъ 293 сония дода шудааст. Ҳамчунин дар озмоишҳои маълумоти нави 10-тасвирӣ, ки барои ҳар яке аз чор синф алоҳида пешниҳод шудаанд, ҳамаи намунаҳо дуруст тасниф шудаанд ва вақти миёнаи пешбинӣ тақрибан дар ҳудуди 0.0038–0.0045 сония/тасвир гузориш шудааст.

Модел ба интерфейси графикии корбар, ки бо MATLAB R2023b App Designer таҳия шудааст, ҳамгиро карда шудааст. Бо вуҷуди ин, натиҷаҳои таҳқиқот набояд ҳамчун тасдиқи клиникии ташхисӣ арзёбӣ шаванд. Дар мақола когортаи мустақили берунии тестӣ, ҷудокунии маълумот дар сатҳи бемор, sensitivity, specificity, precision, recall, F1-score, ROC-AUC ё тасдиқи клиникии проспективӣ гузориш нашудааст. Аз ин рӯ, системаи таҳияшуда дар доираи манбаъ бояд ҳамчун прототипи таҳқиқотӣ барои таснифи MRI ва равиши дастгирии қарор тафсир шавад.

ResNet50 Омоси Майнаро дар Тасвирҳои MRI Чӣ Гуна Тасниф Мекунад?

Дар ин таҳқиқот ResNet50 ҳамчун шабакаи пешомӯзонидашуда истифода мешавад, ки нақшҳои визуалии дохили тасвири MRI-ро тавассути қабатҳои CNN ба таври худкор муаррифӣ мекунад; бо transfer learning қабати охирини fully connected барои чор синфи ҳадаф мутобиқ карда мешавад ва шабака барчаспи glioma, meningioma, pituitary tumor ё no-tumor тавлид мекунад.

Нақши равиши CNN ва residual learning

Convolutional Neural Network сохтори омӯзиши амиқ аст, ки метавонад канор, бофт, шакл ва нақшҳои сохтории сатҳи болотарро дар тасвирҳо тавассути қабатҳои пайдарпайи конволютсионӣ омӯзад. Манбаъ коҳиш додани ниёз ба feature extraction-и дастиро аз ҷониби CNN ҳамчун яке аз асосҳои ин таҳқиқот нишон медиҳад.

ResNet50 бошад, меъмории амиқтари CNN мебошад, ки сохтори residual learning-ро истифода мебарад. Пайвастҳои residual интиқоли мустақимтари иттилоот ва градиентро байни қабатҳо дар шабакаҳои амиқ дастгирӣ карда, омӯзиши шабакаҳои серқабатаро осон кардан мехоҳанд. Дар ин таҳқиқот шабака аз сифр сохта нашудааст; ResNet50-и пешомӯзонидашуда барои transfer learning истифода шудааст.

“Пешбинӣ” дар ин таҳқиқот чӣ маъно дорад?

Дар унвони манбаъ ибораҳои тасниф ва пешбинӣ якҷо истифода шудаанд. Пешбинӣ дар ин ҷо пешбинии прогностикӣ нест, ки ҷараёни клиникии ояндаи бемор, давомнокии ҳаёт ё афзоиши омосро пешгӯӣ кунад. Баромади модел пешбинии синф аст, ки як тасвири MRI ба кадоме аз чор синф тааллуқ дорад.

Чор синфи тасвирии истифодашуда

Pipeline-и таҳқиқот

Манбаъ дар Шакли 1 раванди таҳқиқотро бо ҳашт қадами асосӣ нишон медиҳад: ҷамъоварии маълумот, хондани маълумот, тақсим кардани маълумот, афзоиши маълумот, сохтани модели CNN, омӯзонидани модели CNN, сабти натиҷаи тестии CNN ва тест кардани маълумоти нав.

Дар тарафи MATLAB тасвирҳо бо imageDatastore хонда мешаванд ва аз номҳои ҷузвдонҳо барчаспҳои синф ба таври худкор сохта мешаванд. Барои тақсим кардани маълумот ба таври мутавозин аз рӯи синфҳо splitEachLabel истифода мешавад.

Чаро афзоиши маълумот татбиқ мешавад?

Манбаъ мегӯяд, ки барои зиёд кардани гуногунрангии маълумоти омӯзишӣ ва коҳиш додани хатари overfitting аз ротатсия, транслятсия, zoom ва инъикоси уфуқӣ истифода шудааст. Ин амалҳо тавассути сохторҳои imageDataAugmenter ва augmentedImageDatastore дар MATLAB татбиқ мешаванд.

Бо вуҷуди ин, мақола кунҷи ротатсия, миқдори транслятсия, доираи zoom ё эҳтимоли татбиқи инъикосро гузориш намекунад. Аз ин рӯ, ҳарчанд равиши афзоиши маълумот маълум аст, протоколи пурраи augmentasyon аз рӯи манбаъ ба таври айнӣ бозтавлид шуда наметавонад.

Маҷмуаи маълумот чӣ гуна тақсим шуд?

Дар бахши методи манбаъ қисми дуюм дар баъзе ҷойҳо ҳамчун “validasi/pengujian”, яъне тасдиқ/тест ифода мешавад. Дар бахши натиҷаҳо бошад, аз омӯзиш, тасдиқ ва тест ҳамчун се вазифаи ҷудогона ёд мешавад, аммо аз ҷиҳати рақамӣ танҳо 2.288 тасвири омӯзишӣ ва 572 тасвири тасдиқӣ гузориш мешавад. Андозаи маҷмуаи сеюми мустақили тестӣ дода нашудааст.

ResNet50 чӣ гуна мутобиқ карда шуд?

Манбаъ мегӯяд, ки модели пешомӯзонидашудаи ResNet50 истифода шудааст ва қабати охирини fully connected мувофиқи чор синфи ҳадаф тағйир дода шудааст. Ҳамин тавр, хусусиятҳои тасвирии қаблан омӯхташуда нигоҳ дошта шуда, қабати баромад ба вазифаи таснифи MRI-и майна мутобиқ карда шудааст.

Аммо манбаъ шарҳ намедиҳад, ки кадом қабатҳо яхбандӣ шудаанд, кадом қабатҳо аз нав омӯзонида шудаанд, ба қабатҳо learning-rate factor-и гуногун татбиқ шудааст ё не, ё протоколи андозагирии тасвири вурудӣ чӣ гуна будааст.

Усул ва Натиҷаҳои Таҳқиқот

Танзимоти асосии омӯзиш

Конфигуратсияи асосии омӯзиш дар бахши методи манбаъ ҳамчун Adam optimizer, 50 epoch, mini-batch size 16, learning rate 0.001 ва dropout 0.5 дода шудааст. Омӯзиш бо функсияи MATLAB trainNetwork() анҷом дода шудааст. Шабакаи омӯзонидашуда баъдан ҳамчун файли .mat сабт шуда, бе омӯзиши дубора истифода шуда метавонад.

Дурустии %98-и Гузоришшуда дар Манбаъ Чӣ Маъно Дорад?

%98 баландтарин арзиши дурустӣ дар миёни даҳ конфигуратсияи омӯзишӣ мебошад, ки дар манбаъ муқоиса шудаанд; аммо азбаски мақола нишон намедиҳад, ки ин арзиш дар когортаи клиникии комилан мустақил, берунӣ ва дар сатҳи бемор ҷудошуда гирифта шудааст, арзиш бояд ба эҳтиёткортарин шакл ҳамчун беҳтарин performans-и модел дар тақсимоти дохилии маълумоти худи таҳқиқот тафсир шавад.

Ҷадвал нишон медиҳад, ки epoch-и бештар ё вақти дарозтари омӯзиш худкорона дурустии баландтар намеорад. Масалан, тарҳи нуҳум, ки 100 epoch ва learning rate 0.001 истифода кардааст, дар дурустии %94 мемонад, дар ҳоле ки тарҳи дуюм бо 50 epoch ва ҳамон learning rate бо batch 16 ба %98 мерасад. Ин натиҷа танҳо барои конфигуратсияҳое дуруст аст, ки дар манбаъ тест шудаанд.

Озмоишҳои намунавии тасвирҳои нав

Манбаъ баъдан барои 10 тасвири нав аз ҳар синф ҷадвали тестии алоҳида пешниҳод мекунад. Дар ҳамаи чор ҷадвал 10 тасвири нишоншуда ба синфи дуруст гузошта шудааст.

Ин натиҷаҳо барои гурӯҳҳои хурди намунавие дуруст мебошанд, ки дар манбаъ нишон дода шудаанд. 10 пешбинии дуруст дар ҳар яке аз чор синф исбот намекунад, ки дар тамоми популятсияи ҳадаф ё дар марказҳои клиникии мустақил дурустии синфӣ %100 аст.

Вақти пешбинӣ чӣ гуна бояд тафсир шавад?

Манбаъ вақти пешбинии чанд миллисония барои ҳар тасвирро гузориш мекунад. Аммо азбаски процессор, GPU, RAM ва сахтафзори inference нишон дода нашудааст, ин арзишҳо ҳамчун суръати мустақил аз сахтафзори алгоритм дида намешаванд. Вақти пешбинӣ инчунин хусусияти муҳити ҳисоббарорие мебошад, ки модел дар он иҷро шудааст.

Confusion matrix ва таҳлили хатои вобаста ба синф

Гарчанде дар бахши методология гуфта мешавад, ки confusion matrix истифода мешавад, дар натиҷаҳо арзишҳои намоёни confusion matrix барои тамоми маҷмуаи маълумот пешниҳод намешаванд. Азбаски sensitivity, specificity, precision, recall, F1-score ва ROC-AUC низ гузориш нашудаанд, масалан нақши воқеии хатогӣ байни glioma ва meningioma ба таври рақамӣ арзёбӣ шуда наметавонад.

Интерфейси MATLAB App Designer

Манбаъ дар Шакли 3 экрани асосии барномаеро нишон медиҳад, ки бо MATLAB R2023b App Designer таҳия шудааст. Дар интерфейс майдони намоиши тасвири MRI ва контроли “Pilih Gambar” барои интихоби тасвир вуҷуд дорад. Тугмаҳои “Prediksi”, “Latih Data” ва “Lihat Data” мутаносибан ба амалҳои тасниф, омӯзиши модел ва дидани маълумот дастрасӣ медиҳанд.

Манбаъ дар Шакли 4 қуттии огоҳии “Prediksi Selesai”-ро нишон медиҳад, ки ҳангоми анҷом ёфтани тасниф кушода мешавад. Дар экрани намунавӣ натиҷа ҳамчун pituitary_tumor намоиш дода мешавад. Ин GUI прототипи таҳқиқотӣ аст, ки ҳадаф дорад модел бе навиштани коди барномасозӣ истифода шавад.

Оё Ин GUI Барои Ташхиси Клиникӣ Системаи Кофӣ Аст?

Не; манбаъ нишон медиҳад, ки GUI аз нигоҳи техникӣ метавонад тасвири MRI-ро қабул карда яке аз чор синфро нишон диҳад, аммо азбаски тасдиқи клиникии берунӣ, таҳқиқоти проспективии беморон, муқоиса бо радиолог, ҷудокунии маълумот бар пояи бемор ва меъёрҳои хатои клиникӣ гузориш нашудаанд, гуфта намешавад, ки барнома ҳамчун системаи мустақили ташхиси тиббӣ тасдиқ шудааст.

Ҷузъиёти муҳим ва номаълум дар бораи маҷмуаи маълумот

Мақола мегӯяд, ки тасвирҳои маълумот аз Kaggle, Radiopaedia ва TCIA омадаанд. Бо вуҷуди ин, кадом Kaggle dataset истифода шудааст, шиносаи коллексияи TCIA, тарзи интихоби намунаҳои Radiopaedia, шумораи умумии беморон, чанд буриш аз як бемор мавҷуд аст, секансҳои MRI, истеҳсолкунандагони дастгоҳ ё марказҳои тасвирбардорӣ нишон дода нашудаанд.

Ҳамчунин шарҳ дода нашудааст, ки амали тақсим кардани маълумот дар сатҳи тасвир анҷом шудааст ё дар сатҳи бемор. Аз ин рӯ, аз манбаъ тасдиқ кардан мумкин нест, ки дар маҷмуаҳои омӯзишӣ ва тасдиқӣ тасвирҳои гуногуни як бемор вуҷуд надоранд. Ин далели ихроҷи маълумот нест; нишон медиҳад, ки гузориши манбаъ барои арзёбии ин эҳтимол кофӣ нест.

Маҳдудиятҳои бозтавлидпазирии модел

Гарчанде таҳқиқот гиперпараметрҳои асосиро ошкоро медиҳад, ҷузъиёти тағйири андоза ва нормализатсияи тасвир, ҳудуди афзоиши маълумот, random seed, exact train/validation indices, қабатҳои fine-tune-шудаи ResNet50 ва сахтафзори ҳисоббарорӣ гузориш нашудаанд. Аз ин рӯ, ҷараёни умумии кори MATLAB метавонад бозсозӣ шавад; аммо бо маълумоти нашршуда бозтавлиди айнан ҳамон натиҷаи %98 кафолат дода намешавад.

Натиҷаҳое, ки таҳқиқот дастгирӣ мекунад

Манбаъ дастгирӣ мекунад, ки дар доираи коллексияи маълумоти додашуда ва тарҳи омӯзишии MATLAB равиши ResNet50 transfer learning метавонад дар таснифи чорсинфаи тасвирҳои MRI-и майна performans-и баланди дохилӣ диҳад. Беҳтарин натиҷа дар миёни даҳ тарҳи омӯзиш ҳамчун %98 гузориш шудааст. Ҳамчунин нишон дода шудааст, ки модел метавонад ба прототипи GUI-и қобили истифода бар пояи MATLAB App Designer ҳамгиро карда шавад.

Умумисозиҳое, ки таҳқиқот дастгирӣ намекунад

Таҳқиқот нишон намедиҳад, ки модели ResNet50 дар ҳамаи беморхонаҳо, ҳамаи дастгоҳҳои MRI, популятсияҳои гуногун ё марказҳои нави клиникӣ дурустии ташхисии %98–100 медиҳад. Дар манбаъ когортаи тасдиқи берунӣ ё таҳқиқоти клиникии проспективӣ вуҷуд надорад.

Таснифи дурусти 10 намуна дар ҳар синф маънои онро надорад, ки sensitivity ё specificity %100 аст. Ҳамин тавр, вақти пешбинии чанд миллисония, азбаски ҷузъиёти сахтафзор дода нашудааст, нишон намедиҳад, ки дар ҳама системаҳо ҳамон суръат ба даст меояд.

Аз ин рӯ, дурусттарин таърифи илмии система чунин аст: “прототипи таҳқиқотии MATLAB/ResNet50 барои таснифи чорсинфаи омоси майна дар тасвирҳои MRI”.

Эзоҳи Манбаъ ва Усул

Натиҷаи асосии илмии таҳқиқот он аст, ки равиши ResNet50 transfer learning метавонад дар коллексияи маълумоти тақрибан 2.860 тасвирӣ, ки муаллифон сохтаанд, дурустии баланди тасниф тавлид кунад ва ба интерфейси қобили истифода тавассути MATLAB App Designer интиқол ёбад.

Муҳимтарин маҳдудияти методӣ он аст, ки бо вуҷуди гузориши тақсимоти маълумоти %80/%20, таърифи рақамии равшани маҷмуаи мустақили тест мавҷуд нест. Матн мафҳумҳои омӯзиш, тасдиқ ва тестро ҷудогона истифода мекунад; аммо шумораи тасвирҳо танҳо барои гурӯҳҳои омӯзиш ва тасдиқ дода мешавад. Аз ин рӯ, гузориши он ки арзиши %98 дақиқан ба кадом зермаҷмуаи арзёбӣ тааллуқ дорад, кофӣ равшан нест.

Манбаъ ҳамчунин аз истифодаи confusion matrix ёд мекунад, аммо дар бахши натиҷаҳо confusion matrix-и намоён ё sensitivity, specificity, precision, recall, F1-score ва ROC-AUC барои маҷмуаи пурраи тасдиқ/тест гузориш намешавад. Натиҷаҳои %100 барои чор синф ба тестҳои намунавии 10-тасвирии ҷудогона тааллуқ доранд.

Азбаски маълумоти шахсияти бемор, секанси тасвирбардорӣ, дастгоҳи MRI, марказ, тақсим дар сатҳи бемор, тасдиқи берунӣ ва сахтафзори ҳисоббарорӣ вуҷуд надорад, умумиятпазирии клиникии модел ё performans-и суръат дар сахтафзорҳои дигар аз рӯи ин таҳқиқот муайян шуда наметавонад.

Аз ин рӯ, дар баёни Verianla система набояд ҳамчун тасмимгирандаи клиникӣ, ки ҷойи ташхиси табибро мегирад, балки ҳамчун прототипи таҳқиқотии MATLAB/ResNet50, ки таснифи чорсинфаи MRI-ро анҷом медиҳад ва дурустии баланди дохилӣ гузориш кардааст, таъриф шавад.