Ushbu tadqiqot miya Magnetic Resonance Imaging (MRI) tasvirlarini glioma, meningioma, pituitary tumor va oʻsma mavjud boʻlmagan tasvir kabi toʻrt sinfga ajratish uchun oldindan oʻqitilgan ResNet50 arxitekturasiga asoslangan Convolutional Neural Network (CNN) va transfer learning yondashuvini MATLAB muhitida qoʻllaydi. Taxminan 2.860 ta MRI tasviridan iborat maʼlumotlar kolleksiyasi Kaggle, Radiopaedia va The Cancer Imaging Archive (TCIA) kabi ommaga ochiq manbalardan olingani bildirilgan tasvirlardan tuzilgan; tasvirlar MATLAB imageDatastore tuzilmasi bilan boshqarilgan, maʼlumotlarni koʻpaytirish qoʻllangan va modelning oxirgi tasniflash qatlami toʻrt sinfga moslab oʻzgartirilgan.

Manbada 10 xil oʻqitish sxemasi taqqoslangan. Bildirilgan eng yuqori aniqlik 50 epoch, mini-batch size 16, learning rate 0.001 va 1.250 iteratsiya ishlatilgan sxemada %98 ni tashkil etadi. Bu oʻqitish vaqti manbada 293 soniya deb berilgan. Bundan tashqari, toʻrt sinfning har biri uchun alohida taqdim etilgan 10 tasvirlik yangi maʼlumot sinovlarida barcha namunalar toʻgʻri tasniflangan va oʻrtacha bashorat vaqtlari taxminan 0.0038–0.0045 soniya/tasvir oraligʻida xabar qilingan.

Model MATLAB R2023b App Designer bilan ishlab chiqilgan grafik foydalanuvchi interfeysiga integratsiya qilingan. Shunga qaramay, tadqiqot natijalari klinik diagnostik tasdiqlash sifatida baholanmasligi kerak. Maqolada mustaqil tashqi test kohorti, bemor-darajasidagi maʼlumot ajratilishi, sensitivity, specificity, precision, recall, F1-score, ROC-AUC yoki prospektiv klinik tasdiqlash xabar qilinmagan. Shu sababli ishlab chiqilgan tizim manba doirasida MRI tasniflash tadqiqot prototipi va qaror-qoʻllab-quvvatlash yondashuvi sifatida talqin qilinishi kerak.

ResNet50 MRI Tasvirlarida Miya Oʻsmasini Qanday Tasniflaydi?

Ushbu tadqiqotda ResNet50 MRI tasviridagi vizual naqshlarni CNN qatlamlari orqali avtomatik tarzda ifodalovchi oldindan oʻqitilgan tarmoq sifatida ishlatiladi; transfer learning orqali oxirgi fully connected tasniflash qatlami toʻrt maqsadli sinfga moslashtiriladi va tarmoq glioma, meningioma, pituitary tumor yoki no-tumor yorligʻini hosil qiladi.

CNN va residual learning yondashuvining roli

Convolutional Neural Network tasvirlardagi chekka, tekstura, shakl va yuqori darajadagi strukturaviy naqshlarni ketma-ket konvolyutsiya qatlamlari orqali oʻrgana oladigan chuqur oʻrganish tuzilmasidir. Manba CNNning qoʻlda feature extraction zaruratini kamaytirishini ushbu tadqiqotning asosiy sabablaridan biri sifatida koʻrsatadi.

ResNet50 esa residual learning tuzilmasidan foydalanadigan yanada chuqurroq CNN arxitekturasidir. Residual bogʻlanishlar chuqur tarmoqlarda axborot va gradientning qatlamlar orasida yanada bevosita uzatilishini qoʻllab-quvvatlab, koʻp qatlamli tarmoqlarni oʻqitishni osonlashtirishni maqsad qiladi. Ushbu tadqiqotda tarmoq noldan qurilmagan; oldindan oʻqitilgan ResNet50 transfer learning maqsadida ishlatilgan.

Ushbu tadqiqotdagi “bashorat” nimani anglatadi?

Manba sarlavhasida tasniflash va bashorat iboralari birga ishlatilgan. Bu yerdagi bashorat bemorning kelajakdagi klinik kechishi, umr koʻrish ehtimoli yoki oʻsma oʻsishini oldindan aytadigan prognostik bashorat emas. Model chiqishi MRI tasvirining toʻrt sinfdan qaysi biriga tegishli ekaniga doir sinf bashoratidir.

Qoʻllangan toʻrt tasvir sinfi

Tadqiqot pipeline’i

Manba 1-rasmda tadqiqot jarayonini sakkiz asosiy qadam bilan koʻrsatadi: maʼlumot toʻplash, maʼlumotni oʻqish, maʼlumotni boʻlish, maʼlumotlarni koʻpaytirish, CNN modelini yaratish, CNN modelini oʻqitish, CNN test natijasini saqlash va yangi maʼlumotni test qilish.

MATLAB tomonida tasvirlar imageDatastore bilan oʻqiladi va papka nomlaridan sinf yorliqlari avtomatik yaratiladi. Maʼlumotlarni sinflar boʻyicha muvozanatli tarzda boʻlish uchun splitEachLabel ishlatiladi.

Maʼlumotlarni koʻpaytirish nima uchun qoʻllanadi?

Manba oʻqitish maʼlumotlarining xilma-xilligini oshirish va overfitting xavfini kamaytirish uchun rotatsiya, translatsiya, zoom va gorizontal akslantirishdan foydalanganini bildiradi. Bu amallar MATLABdagi imageDataAugmenter va augmentedImageDatastore tuzilmalari orqali bajariladi.

Biroq maqola rotatsiya burchagi, translatsiya miqdori, zoom oraligʻi yoki akslantirish qaysi ehtimollik bilan qoʻllanganini xabar qilmaydi. Shu sababli maʼlumotlarni koʻpaytirish yondashuvi maʼlum boʻlsa-da, toʻliq augmentatsiya protokoli manba asosida aynan qayta ishlab chiqarilmaydi.

Maʼlumotlar toʻplami qanday boʻlindi?

Manba metod boʻlimida ikkinchi qismni ayrim joylarda “validasi/pengujian”, yaʼni tasdiqlash/test sifatida ifodalaydi. Natijalar boʻlimida esa oʻqitish, tasdiqlash va test uch alohida vazifa kabi tilga olinadi, biroq son jihatidan faqat 2.288 ta oʻqitish va 572 ta tasdiqlash tasviri xabar qilingan. Mustaqil uchinchi test toʻplamining hajmi berilmagan.

ResNet50 qanday moslashtirildi?

Manba oldindan oʻqitilgan ResNet50 modeli ishlatilgani va oxirgi fully connected qatlam toʻrt maqsadli sinfga moslab oʻzgartirilganini bildiradi. Shunday qilib, oldindan oʻrganilgan tasvir xususiyatlari saqlangan holda chiqish qatlami miya MRI tasniflash vazifasiga moslashtirilgan.

Ammo manba qaysi qatlamlar muzlatilgani, qaysi qatlamlar qayta oʻqitilgani, qatlamlarga turli learning-rate factor qoʻllangan-qoʻllanmagani yoki ishlatilgan kirish tasvirini oʻlchamlash protokolini batafsil bayon qilmaydi.

Tadqiqot Usuli va Natijalari

Asosiy oʻqitish sozlamalari

Manbaning metod boʻlimidagi asosiy oʻqitish konfiguratsiyasi Adam optimizer, 50 epoch, mini-batch size 16, learning rate 0.001 va dropout 0.5 sifatida berilgan. Oʻqitish MATLAB trainNetwork() funksiyasi bilan amalga oshirilgan. Oʻqitilgan tarmoq keyinchalik .mat fayli sifatida saqlanib, qayta oʻqitmasdan ishlatilishi mumkin.

Manbada Bildirilgan %98 Aniqlik Nimani Anglatadi?

%98 manbada taqqoslangan oʻn oʻqitish konfiguratsiyasi orasidagi eng yuqori aniqlik qiymatidir; ammo maqola bu qiymat toʻliq mustaqil, tashqi va bemor-darajasida ajratilgan klinik test kohortida olinganini koʻrsatmagani uchun qiymat eng xavfsiz tarzda tadqiqotning oʻz ichki maʼlumot boʻlinishi ustidagi eng yaxshi model performansi sifatida talqin qilinishi kerak.

Jadval koʻproq epoch yoki uzoqroq oʻqitish vaqti avtomatik ravishda yuqoriroq aniqlik hosil qilmasligini koʻrsatadi. Masalan, 100 epoch va learning rate 0.001 ishlatilgan toʻqqizinchi sxema %94 aniqlikda qolgan boʻlsa, 50 epoch va xuddi shu learning rate bilan batch 16 ishlatgan ikkinchi sxema %98 ga yetgan. Bu natija faqat manbada test qilingan konfiguratsiyalar uchun amal qiladi.

Yangi tasvirlarning namunaviy testlari

Manba keyin har bir sinfdan 10 ta yangi tasvir ustida alohida test jadvalini taqdim etadi. Toʻrt jadvalda ham koʻrsatilgan 10 tasvirning barchasi toʻgʻri sinfga tayinlangan.

Bu natijalar manbada koʻrsatilgan kichik namuna guruhlari uchun amal qiladi. Toʻrt sinfning har biridagi 10 ta toʻgʻri bashorat butun maqsad populyatsiyada yoki mustaqil klinik markazlarda %100 sinf aniqligi borligini isbotlamaydi.

Bashorat vaqti qanday talqin qilinishi kerak?

Manba tasvir boshiga bir necha millisekundlik bashorat vaqtlarini xabar qiladi. Ammo protsessor, GPU, RAM va inference uskunasi ko‘rsatilmagani uchun bu qiymatlar algoritmning apparatdan mustaqil tezligi sifatida qaralmaydi. Bashorat vaqti model bilan birga ishlatilgan hisoblash muhitining ham xususiyatidir.

Confusion matrix va sinfga bogʻliq xato tahlili

Metodologiya boʻlimida confusion matrix ishlatilishi bildirilgan boʻlsa-da, natijalarda toʻliq maʼlumotlar toʻplamiga oid koʻrinadigan confusion matrix qiymatlari taqdim etilmagan. Sensitivity, specificity, precision, recall, F1-score va ROC-AUC qiymatlari ham xabar qilinmagani uchun masalan glioma bilan meningioma orasidagi haqiqiy xato naqshi miqdoriy baholana olmaydi.

MATLAB App Designer interfeysi

Manba 3-rasmda MATLAB R2023b App Designer bilan ishlab chiqilgan ilovaning asosiy ekranini koʻrsatadi. Interfeysda MRI tasvirini koʻrsatish maydoni va tasvir tanlash uchun “Pilih Gambar” boshqaruvi mavjud. “Prediksi”, “Latih Data” va “Lihat Data” tugmalari mos ravishda tasniflash, model oʻqitish va maʼlumotlarni koʻrish amallariga kirishni taʼminlaydi.

Manba 4-rasmda tasniflash yakunlanganda ochiladigan “Prediksi Selesai” bildirish oynasini koʻrsatadi. Namunaviy ekranda natija pituitary_tumor sifatida koʻrsatiladi. Bu GUI modeldan dasturlash kodi yozmasdan foydalanishni maqsad qilgan tadqiqot prototipidir.

Bu GUI Klinik Tashxis Uchun Yetarli Tizimmi?

Yoʻq; manba GUI texnik jihatdan MRI tasvirini olib, toʻrt sinfdan birini koʻrsata olishini namoyon qiladi, ammo tashqi klinik tasdiqlash, prospektiv bemor tadqiqoti, radiolog bilan taqqoslash, bemor-asosli maʼlumot ajratilishi va klinik xato mezonlari xabar qilinmagani uchun ilova mustaqil tibbiy tashxis tizimi sifatida tasdiqlangan deb aytib boʻlmaydi.

Maʼlumotlar toʻplami haqida nomaʼlum kritik tafsilotlar

Maqola maʼlumot tasvirlari Kaggle, Radiopaedia va TCIA-dan kelganini bildiradi. Biroq qaysi Kaggle dataset ishlatilgani, TCIA kolleksiya identifikatori, Radiopaedia namunalari qanday tanlangani, jami bemor soni, bir bemorning nechta kesimi borligi, MRI sekanslari, qurilma ishlab chiqaruvchilari yoki tasvirlash markazlari ko‘rsatilmagan.

Maʼlumotlarni boʻlish amali tasvir darajasidami yoki bemor darajasidami bajarilgani ham tushuntirilmagan. Shu sababli oʻqitish va tasdiqlash toʻplamlarida bir bemorga oid turli tasvirlar yoʻqligini manbadan tasdiqlab boʻlmaydi. Bu maʼlumot sizishi dalili emas; manba hisobotining bu ehtimolni baholashga yetmasligini koʻrsatadi.

Modelni qayta ishlab chiqarish chegaralari

Tadqiqot asosiy giperparametrlarni aniq bergan boʻlsa-da, tasvirni qayta oʻlchamlash va normallashtirish tafsilotlari, maʼlumotlarni koʻpaytirish chegaralari, random seed, exact train/validation indices, fine-tune qilingan ResNet50 qatlamlari va hisoblash uskunasi xabar qilinmagan. Shu sababli umumiy MATLAB ish oqimi qayta qurilishi mumkin; biroq eʼlon qilingan maʼlumotlar bilan ayni %98 natijani aynan qayta ishlab chiqarish kafolatlanmaydi.

Tadqiqot qoʻllab-quvvatlaydigan natijalar

Manba berilgan maʼlumotlar kolleksiyasi va MATLAB oʻqitish tartibi doirasida ResNet50 transfer learning yondashuvi toʻrt sinfli miya MRI tasvirlarini tasniflashda yuqori ichki performans bera olishini qoʻllab-quvvatlaydi. Oʻn oʻqitish sxemasi orasidagi eng yaxshi natija %98 deb bildirilgan. Shuningdek, model MATLAB App Designer asosidagi foydalanish mumkin boʻlgan GUI prototipiga integratsiya qilina olgani koʻrsatilgan.

Tadqiqot qoʻllab-quvvatlamaydigan umumlashtirishlar

Tadqiqot ResNet50 modeli barcha shifoxonalarda, barcha MRI qurilmalarida, turli populyatsiyalarda yoki yangi klinik markazlarda %98–100 diagnostik aniqlik berishini koʻrsatmaydi. Manbada tashqi tasdiqlash kohorti yoki prospektiv klinik tadqiqot mavjud emas.

Har bir sinfdagi 10 namunaning toʻgʻri tasniflanishi sensitivity yoki specificity %100 ekanini anglatmaydi. Xuddi shuningdek, bir necha millisekundlik bashorat vaqti apparat tafsiloti berilmagani uchun barcha tizimlarda bir xil tezlikka erishilishini koʻrsatmaydi.

Shuning uchun tizimning eng toʻgʻri ilmiy taʼrifi “MRI tasvirlarida toʻrt sinfli miya oʻsmasi tasnifi uchun MATLAB/ResNet50 asosidagi tadqiqot prototipi”dir.

Manba va Usul Eslatmasi

Tadqiqotning asosiy ilmiy natijasi shuki, ResNet50 transfer learning yondashuvi mualliflar tuzgan taxminan 2.860 tasvirlik maʼlumotlar kolleksiyasida yuqori tasniflash aniqligini bera olgan va MATLAB App Designer orqali foydalanish mumkin boʻlgan interfeysga oʻtkazila olgan.

Eng muhim metodologik chegara shuki, %80/%20 maʼlumot boʻlinishi xabar qilinganiga qaramay, mustaqil test toʻplamining ochiq sonli taʼrifi yoʻq. Matn oʻqitish, tasdiqlash va test tushunchalarini alohida ishlatadi; biroq tasvir sonlari faqat oʻqitish va tasdiqlash guruhlari uchun berilgan. Shu sababli %98 qiymati aynan qaysi baholash ostki toʻplamiga tegishli ekani yetarlicha ochiq xabar qilinmagan.

Manba shuningdek confusion matrix ishlatilishidan soʻz yuritadi, ammo natijalar boʻlimida toʻliq tasdiqlash/test toʻplamiga oid koʻrinadigan confusion matrix yoki sensitivity, specificity, precision, recall, F1-score va ROC-AUC qiymatlarini xabar qilmaydi. Toʻrt sinf uchun berilgan %100 natijalar alohida-alohida 10 tasvirlik namuna testlarga tegishlidir.

Bemor identifikatori, tasvirlash sekansi, MRI qurilmasi, markaz, bemor-darajasidagi boʻlinish, tashqi tasdiqlash va hisoblash uskunasi maʼlumotlari boʻlmagani uchun modelning klinik umumlashuvchanligi yoki boshqa apparatlardagi tezlik performansi ushbu tadqiqot orqali aniqlanmaydi.

Shu sababli Verianla bayonida tizim shifokor tashxisi oʻrnini bosadigan klinik qaror beruvchi sifatida emas; yuqori ichki aniqlik bildirgan, toʻrt sinfli MRI tasniflashini bajaradigan MATLAB/ResNet50 tadqiqot prototipi sifatida taʼriflanishi kerak.