یک چارچوب یادگیری عمیق بهبود‌یافته مبتنی بر VGG برای طبقه‌بندی گلیوما در تصاویر تشدید مغناطیسی مغز

نوع مقاله : مقاله پژوهشی

نویسنده
آسیه خسروانیان
استادیار، گروه مهندسی کامپیوتر، دانشکده فنی و مهندسی، مجتمع آموزش عالی لارستان
10.48305/him.2026.45796.1348
چکیده
چکیده

مقدمه: تشخیص زودهنگام تومورهای مغزی، می‌تواند نقش مهمی در برنامه‌ریزی‌های درمان داشته باشد. در تصاویر تشدید مغناطیسی مغز، شباهت‌های زیادی بین بافت سالم و سرطانی وجود دارد، لذا تشخیص دقیق تومورها به یک چالش مهم تبدیل شده است. همچنین طبقه‌بندی دستی این تصاویر، زمان‌بر و مستعد خطای انسانی است؛ لذا توسعه روش‌های طبقه‌بندی خودکار می‌تواند کمک مؤثری به پزشکان ارائه دهد.

روش‌ بررسی: در این پژوهش، معماری جدیدی از شبکه عصبی عمیق برای طبقه‌بندی خودکار تومور مغزی در تصاویر تشدید مغناطیسی پیشنهاد شده است. در روش پیشنهادی، معماری شبکه عصبی عمیق VGG-16 بازطراحی شده است. به‌منظور حفظ رزولوشن مکانی ویژگی‌ها در عمق شبکه و تشخیص نواحی کوچک تومورها و شناسایی مرزهای مبهم، لایة max‑pooling در معماری VGG‑16 حذف گردید.

یافته ها: روش پیشنهادی با استفاده از مجموعة داده BraTS2020 با روش 10-fold cross validation ارزیابی شد. نتایج ارزیابی بر اساس معیارهای Accuracy، Precision، Recall، Specificity، F1 Score و AUC نشان داد که معماری پیشنهادی نسبت به نسخه اصلی شبکه عصبی VGG-16، عملکرد بهتری دارد و توانسته در معیارهای ذکر شده به ترتیب به مقادیر 0035/0 9512±/0، 0026/0 9739±/0، 0044/0 ±9524/0، 0051/0 ±9490/0، 0027/0 ±9630/0، 0044/0 ±9514 /0 دست یابد.

نتیجه‌گیری: نتایج حاصل از روش پیشنهادی در این پژوهش، تأیید می‌کند که حفظ اطلاعات مکانی و شناسایی مرزهای مبهم می‌تواند نقش مهمی در افزایش دقت طبقه‌بندی داشته باشد. به‌علاوه تغییرات اعمال شده منجر به همگرایی سریع‌تر و کاهش نمونه‌برداری بیش از حد (Over-Downsampling) شده است.
کلیدواژه‌ها
پردازش تصاویر تشدید مغناطیسی
تومور
شبکه عصبی عمیق VGG
طبقه‌بندی
مجموعه‌داده BraTS2020
یادگیری عمیق
موضوعات

عنوان مقاله English

An Improved VGG Based Deep Learning Framework for Glioma Classification in Brain MRI Images

نویسنده English

Asieh Khosravanian
Assistant Professor, Department of Computer Engineering, University of Larestan, Lar, Iran
چکیده English

Introduction: Early detection of brain tumors can play a significant role in treatment planning. In brain magnetic resonance imaging (MRI), there are considerable similarities between healthy and cancerous tissues, making accurate tumor detection a major challenge. Furthermore, manual classification of these images is time‑consuming and prone to human error; therefore, developing automated classification methods can provide substantial support to physicians.

Methods: In this study, a novel deep neural network architecture is proposed for automatic classification of brain tumors in MRI images. In the proposed method, the VGG‑16 deep neural network architecture has been redesigned. To preserve the spatial resolution of features in deeper layers and to enable detection of small tumor regions as well as identification of ambiguous boundaries, the max‑pooling layer in the original VGG‑16 architecture was removed.

Results: The proposed method was evaluated using the BraTS2020 dataset with a 10‑fold cross‑validation approach. The evaluation results, based on the metrics Accuracy, Precision, Recall, Specificity, F1 Score, and AUC, showed that the proposed architecture achieved better performance compared to the original VGG‑16 neural network. Specifically, it attained values 0.9512 ± 0.0035, 0.9739 ± 0.0026, 0.9524 ± 0.0044, 0.9490 ± 0.0051, 0.9630 ± 0.0027, and 0.9514 ± 0.0044, respectively, for the mentioned metrics.

Conclusion: The results obtained from the proposed method in this study confirm that preserving spatial information and identifying ambiguous boundaries can play a significant role in improving classification accuracy. In addition, the applied modifications led to faster convergence and reduced over‑downsampling.

کلیدواژه‌ها English

Magnetic resonance image processing
tumor
VGG deep neural network
classification
BraTS2020 dataset
Deep learning
 1. Louis DN, et al. The 2021 WHO classification of tumors of the central nervous system: a summary. Neuro-oncol. 2021;23(8):1231–1251 .
2. Zahoor MM, Khan SH, Alahmadi TJ, et al. Brain tumor MRI classification using a novel deep residual and regional CNN. Biomedicines. 2024;12(7):1395 .
3. Sánchez-Moreno L, Perez-Peña A, Duran-Lopez L, et al. Ensemble-based convolutional neural networks for brain tumor classification in MRI: enhancing accuracy and interpretability using explainable AI. Comput Biol Med. 2025;195:110555 .
4. Li C, Zhang F, Du Y, Li H. Classification of brain tumor types through MRIs using parallel CNNs and firefly optimization. Sci Rep. 2024;14(1):15057 .
5. Reyes D, Sánchez J. Performance of convolutional neural networks for the classification of brain tumors using magnetic resonance imaging. Heliyon. 2024;10(3):e110555 .
6. Ganesh S, Gomathi R, Kannadhasan S. Brain tumor segmentation and detection in MRI using convolutional neural networks and VGG16. Cancer Biomark. 2025;42(3):18758592241311184 .
  7. Saranya M, Praveena R. Accurate and real-time brain tumour detection and classification using optimized YOLOv5 architecture. Sci Rep. 2025;15:25286 . 8. Chanemougavel V, Jayanthi K. HAIBTC-TLMO: hybrid artificial intelligence-based brain tumor classification using transfer learning and marine predators optimization. Int J Elect Comput Eng. 2025;12(7):13–23 .
9.Nancy AM, Maheswari R. Brain tumor segmentation and classification using transfer learning based CNN model with model agnostic concept interpretation. Multimedia Tools Appl. 2025;84(5):2509–2538 .
10. Shedbalkar J, Prabhushetty K. Deep transfer learning model for brain tumor segmentation and classification using UNet and chopped VGGNet. Indones J Electr Eng Comput Sci. 2024;33:1405–1415 .
11. Gayathri T, Kumar S. Brain tumor segmentation and classification using CNN pre-trained VGG-16 model in MRI images. IIUM Eng J. 2024;25(2):196–211 .
12. Pokhriyal N, Jain A. Brain tumor classification through MRIs using transfer learning with VGG16 model. Res Appl Sci Eng Technol. 2025;13(1):1821–1827 .
13. Zhao L, Zhang Z. An improved pooling method for convolutional neural networks. Sci Rep. 2024;14(1):1589 .
14. Hyun J, Seong H, Kim E. Universal pooling–a new pooling method for convolutional neural networks. Exp Syst Appl. 2021;180:115084 .
15. Williams T, Li R. Wavelet pooling for convolutional neural networks. In: ICLR; 2018 Feb 15 .
16. Awsaf A. BraTS 2020 Dataset (Training + Validation). Kaggle [Internet]. Available from: https://www.kaggle.com/datasets/awsaf49/brats20-datasettraining-validation .
17. Menze BH, Jakab A, Bauer S, et al. The multimodal brain tumor image segmentation benchmark (BRATS). IEEE Trans Med Imaging. 2015;34(10):19932024 . https://pubmed.ncbi.nlm.nih.gov/25494501/
18. Bakas S, Reyes M, Jakab A, et al. Identifying the best machine learning algorithms for brain tumor segmentation, progression assessment, and overall survival prediction in the BRATS challenge. arXiv preprint arXiv:1811.02629. 2018. Available from: https://www.med.upenn.edu/sbia/brats2020.html
19. Simonyan K, Zisserman A. Very deep convolutional networks for large-scale image recognition. arXiv preprint arXiv:1409.1556. 2014 .
20. Zahid U, Ashraf I, Khan MA, et al. BrainNet: optimal deep learning feature fusion for brain tumor classification. Comput Intel Neurosci. 2022;2022:1–13 .
21. Kalaiselvi T, Padmapriya T, Sriramakrishnan P, Priyadharshini V. Development of automatic glioma brain tumor detection system using deep CNNs. Int J Imaging Syst Technol. 2020;30(4):926–938 .
22.   .Shahzadi I, Tang TB, Meriadeau F, Quyyum A. CNN-LSTM: cascaded framework for brain tumour classification. In: IEEE-EMBS Conf Biomed Eng Sci; 2018; Sarawak, Malaysia. IEEE; 2018. p. 633–637 .
23. Wang X, Yang S, Wu X. Automatic glioma grading based on two-stage networks by integrating pathology and MRI images. In: MICCAI Brainlesion Workshop; 2020 Oct 4; Cham: Springer. p. 455–464 .
24. Yin B, Cheng H, Wang F, Wang Z. Brain tumor classification based on MRI images and noise reduced pathology images. In: MICCAI Brainlesion Workshop; . 2020 Oct 4; Cham: Springer. p. 465–474 .
25.  Lerousseau M, Deutsch E, Paragios N. Multimodal brain tumor classification. In: MICCAI Brainlesion Workshop; 2020 Oct 4; Cham: Springer. p. 475486 .
26. Pei L, Hsu WW, Chiang LA, et al. A hybrid convolutional neural network method for brain tumor classification using MRI and WSI. In: MICCAI Brainlesion Workshop; 2020 Oct 4; Cham: Springer. p. 487–496 .
27. Zhao B, Huang J, Liang C, et al. CNN-based fully automatic glioma classification with multi-modal medical images. In: MICCAI Brainlesion Workshop; 2020 Oct 4; Cham: Springer. p. 497–507 .
28. Hamidinekoo A, Pieciak T, Afzali M, et al. Glioma classification using multimodal radiology and histology data. In: MICCAI Brainlesion Workshop; 2020 Oct 4; Cham: Springer. p. 508–518 .
29. Liu X, Yao C, Chen H, et al. BTSC‑TNAS: transformer for brain tumor segmentation and classification. Comput Med Imaging Graph. 2023;110:102307 .
30. Aloraini M, Khan A, Aladhadh S, et al. Combining transformer and convolution for brain tumor classification. Appl Sci. 2023;13(6):3680 .
31. Rahman MA, Masum MI, Hasib KM, et al. GliomaCNN: lightweight CNN for brain tumor classification using explainable AI. Comput Model Eng Sci. 2024 .
32. Asad R, Rehman S, Imran A, et al. Early melanoma brain tumor detection using AI. Biomedicines. 2023;11(1):184.