Enhanced Transfer Learning with Attention Recalibration for Brain Tumor Classification on MRI Images

Abstract

لا يزال التعرف الدقيق والسريع على أورام الدماغ في صور التصوير بالرنين المغناطيسي مهمة معقدة بسبب تنوع خصائص الأورام والقيود المرتبطة بالطرق اليدوية، مما أدى إلى تطوير أنظمة ذكية مؤتمتة. يقترح هذا العمل نموذج تعلم عميق معزز بالانتباه يجمع بين التعلم الانتقالي باستخدام النموذج المُدرَّب مسبقًا EfficientNetB0 وآلية الانتباه من نوع Squeeze-and-Excitation (SE) لتحسين تمثيل الخصائص. تتكون مجموعة بيانات التدريب من 3264 صورة رنين مغناطيسي للدماغ موزعة على أربع فئات: الورم الدبقي (Glioma)، الورم السحائي (Meningioma)، ورم الغدة النخامية (Pituitary tumor)، وعدم وجود ورم. تشمل خطوات المعالجة المسبقة للصور تغيير الحجم، والتطبيع، وترميز التسميات. تجمع البنية المقترحة بين استخلاص خصائص فعّال، وإعادة معايرة قائمة على الانتباه، ورأس تصنيف مُنظَّم لتحقيق نتائج أفضل. كما تم اعتماد استراتيجية منهجية لتطوير النموذج باستخدام الإيقاف المبكر وضبط معدل التعلم التكيفي لضمان تقارب موثوق. تُظهر النتائج أن الإطار المقترح يحقق دقة تحقق بلغت 97.05% وخسارة تحقق مقدارها 0.0959 عند أفضل حقبة تدريب. بالإضافة إلى ذلك، يتفوق النموذج على النماذج التقليدية مثل MobileNetV1 وDenseNet121 وكذلك النماذج الهجينة الحديثة. علاوة على ذلك، تُبيّن هذه الدراسة أن استخدام آليات الانتباه يُحسّن أداء التصنيف بشكل ملحوظ مع الحفاظ على انخفاض التكلفة الحسابية.