Enhancing Histopathological Image Classification via Integrated HOG and Deep Features with Robust Noise Performance
تُظهر هذه الدراسة أن الجمع بين سمات HOG والسمات العميقة المستخرجة من شبكة InceptionResNet-v2 مضبوطة بدقة يعزز بشكل كبير دقة تصنيف الصور الهيستوباثولوجية والمتانة ضد الضجيج على مجموعة بيانات LC25000.
تخيل أنك تحاول تعليم كمبيوتر كيف ينظر إلى صور مجهرية لأنسجة بشرية ليميز بين الخلايا السليمة والخلايا السرطانية. الأمر يشبه محاولة رصد نوع معين من أوراق الشجر في غابة، لكن الغابة مكونة من مليارات الأنماط الصغيرة والمعقدة، وأحياناً تكون الصورة ضبابية أو بها "ثلوج" (ضجيج).
هذه الورقة البحثية تتحدث عن بناء أفضل "محقق" ممكن لحل هذا اللغز. إليك كيف قام الباحثون بذلك، مشروحاً بكلمات بسيطة:
١. أدوات التحقيق الثنائية
استخدم الباحثون طريقتين مختلفتين لمساعدة الكمبيوتر على "رؤية" الصور:
"العقل الفائق" للتعلم العميق (InceptionResNet-v2): فكر في هذا كخبير مدرب تدريباً عالياً وقد شاهد بالفعل ملايين الصور. هو لا يكتفي فقط بالنظر إلى الحواف؛ بل يفهم المعنى العميق والمجرد للأشكال والقوام. أخذ الباحثون هذا الخبير، وقاموا بتدريبه قليلاً بشكل إضافي على صور الأنسجة الخاصة بهم، وطلبوا منه تصنيف الصور.
"مكتشف الحواف" (HOG): هذه أداة تقليدية أكثر. تخيل أنك تنظر إلى رسم وتكتفي فقط بتتبع الخطوط العريضة واتجاه الخطوط. هو لا يفهم "معنى" الشيء، لكنه بارع جداً في رصد الحواف الحادة والقوام.
٢. التجربة: من الفائز؟
اختبر الفريق هذه الأدوات بثلاث طرق:
الأداة (أ): استخدام "العقل الفائق" وحده للقيام بعملية التصنيف.
النتيجة: لقد أبلى بلاءً حسناً، حيث أصاب في حوالي ٩٦٪ من الإجابات.
الأداة (ب): استخدام "العقل الفائق" فقط لاستخراج "المعنى" العميق للصورة، ثم تمرير هذه المعلومات إلى نموذج كمبيوتر آخر أبسط (مثل الشبكة العصبية) لاتخاذ القرار النهائي.
النتيجة: كان هذا تحسناً هائلاً. حقق نموذج الشبكة العصبية نسبة ٩٩.٨٤٪ من الإجابات الصحيحة. لقد كان شبه مثالي.
الأداة (ج): دمج "مكتشف الحواف" (HOG) مع الميزات العميقة لـ "العقل الفائق".
النتيجة: كانت هذه الطريقة قوية جداً أيضاً، وغالباً ما تفوقت على "العقل الفائق" بمفرده. كما حققت الشبكة العصبية مع هذا المزيج دقة بلغت ٩٩.٨٤٪.
الخلاصة: لم تكن الاستراتيجية الأفضل هي ترك "العقل الفائق" يقوم بكل العمل وحده. بل كان من الأفضل ترك "العقل الفائق" يشرح التفاصيل العميقة للصورة، ثم ترك نموذج حاد وبسيط يتخذ القرار النهائي. إضافة "مكتشف الحواف" ساعدت أكثر، حيث أعطت الكمبيوتر عيناً ثانية للتحقق من القوام.
٣. اختبار "العاصفة الثلجية" (قوة تحمل الضجيج)
صور المجهر في العالم الحقيقي ليست دائماً مثالية؛ فأحياناً تكون محببة أو مليئة بالضجيج. اختبر الباحثون ما يحدث عند إضافة "الضجيج" (مثل التشويش في التلفاز القديم) إلى الصور.
"العقل الفائق" بمفرده: عندما أصبحت الصور مليئة بالضجيج، عانى هذا النموذج كثيراً. انخفضت دقته بشكل ملحوظ، مثل محقق يحاول حل قضية وسط عاصفة ثلجية.
نماذج "الميزات العميقة": النماذج التي استخدمت الميزات العميقة المستخرجة (خاصة GBM و KNN) كانت أكثر صلابة. حتى عندما كانت الصور مليئة بالضجيج، حافظت على هدوئها وظلت تحصل على معظم الإجابات الصحيحة.
المزيج (HOG + العميق): من المثير للاهتمام، عندما أضافوا "مكتشف الحواف" (HOG) إلى المزيج، لم تصبح النماذج أفضل في مواجهة الضجيج؛ بل في الواقع، كانت أقل قدرة على الصمود مقارنة بالميزات العميقة وحدها. يبدو أنه في "العاصفة الثلجية"، كان الفهم العميق للصورة أكثر أهمية من خطوط الحواف.
ملخص
تخلص الورقة البحثية إلى أن الطريقة الأكثر فعالية لتصنيف صور الأنسجة هذه هي استخدام ذكاء اصطناعي قوي لفهم التفاصيل العميقة للصورة، ثم ترك نموذج ذكي وبسيط يتخذ القرار. هذه الطريقة دقيقة للغاية (تقترب من ١٠٠٪)، والأهم من ذلك، أنها تظل موثوقة حتى عندما لا تكون جودة الصورة مثالية.
من فاز بالسباق؟
الشبكة العصبية (Neural Network) كانت البطلة الإجمالية، حيث حصلت على أعلى الدرجات.
GBM و KNN كانا "الرجل القوي" اللذان قدما أفضل أداء عندما كانت الصور مليئة بالضجيج والفوضى.
إليك ملخص تقني مفصل للورقة البحثية بعنوان "تعزيز تصنيف الصور النسيجية عبر دمج ميزات HOG والميزات العميقة مع أداء قوي تجاه الضجيج" من إعداد إيفاني إيزوما وأوجوتشوكو أوغو.
1. بيان المشكلة
يعد تحليل الصور النسيجية أمراً بالغ الأهمية لتشخيص الأمراض، ولكنه يواجه تحديات كبيرة بسبب الحجم الهائل لصور الشرائح الكاملة (WSIs) والسمات المعقدة والمتشابكة التي يصعب نمذجتها بالمعادلات الرياضية البسيطة. وبينما حقق التعلم العميق (DL) تقدماً في التشخيص الآلي، إلا أن الطرق الحالية غالباً ما تعاني من:
تمثيل السمات: الاعتماد فقط على السمات التجريدية عالية المستوى قد يؤدي إلى فقدان معلومات الأنسجة والحواف منخفضة المستوى الضرورية.
القوة (الصلابة): تضعف العديد من النماذج بشكل كبير عندما تتدهور جودة الصورة بسبب الضجيج (انخفاض نسبة الإشارة إلى الضجيج أو SNR)، وهو أمر شائع في التصوير السريري الواقعي.
فجوات الأداء: غالباً ما يكون أداء تقنيات التعلم الآلي (ML) التقليدية أقل مقارنة بنهج التعلم العميق الصرف، ومع ذلك يمكن أن تكون نماذج التعلم العميق الصرفة هشة في ظل الظروف المليئة بالضجيج.
تهدف الدراسة إلى سد هذه الفجوات من خلال دمج السمات المصممة يدوياً مع سمات التعلم العميق وتقييم قوة هذه النماذج الهجينة ضد مستويات الضجيج المتفاوتة.
2. المنهجية
استخدم البحث مجموعة بيانات LC25000، والتي تضم 25,000 صورة نسيجية ملونة موزعة على خمس فئات: سرطان القولون الغدي، الأنسجة القولونية الحميدة، سرطان الرئة الغدي، سرطان الخلايا الحرشفية في الرئة، وأنسجة الرئة الحميدة.
تضمن الإطار التجريبي ثلاثة نهج رئيسية:
أ. ضبط نموذج InceptionResNet-v2 كصنف (Classifier)
تم ضبط شبكة InceptionResNet-v2 المدربة مسبقاً لغرض التصنيف المباشر.
البنية: تمت إضافة كتلتين تلافيفيتين مخصصتين (128 نواة بحجم 7x7 و256 مرشحاً بحجم 5x5)، تليها طبقة متصلة بالكامل.
التحسين: استخدام التدرج الاشتقاقي العشوائي (SGD) مع زخم (0-0.9) وجدول معدل تعلم مجزأ.
ب. استخراج السمات العميقة + مصنفات التعلم الآلي
استخراج السمات: تمت معالجة الصور عبر شبكة InceptionResNet-v2، واستخراج السمات عالية المستوى من طبقة 'avg pool'.
التعزيز (Augmentation): تم تطبيق تدويرات عشوائية (0°، 90°، 180°، 270°) وإزاحات لزيادة تنوع البيانات.
التصنيف: تم تغذية هذه السمات العميقة في خمسة نماذج مختلفة للتعلم الآلي: شجرة القرار (Decision Tree)، آلة تعزيز التدرج (GBM)، أقرب الجيران (KNN)، الشبكة العصبية (NN)، وآلة ناقلات الدعم (SVM).
الضبط: تم تحسين المعلمات الفائقة باستخدام التحسين البايزي (Bayesian Optimization).
ج. دمج ميزات HOG والسمات العميقة
النهج الهجين: تم استخراج ميزات "مخطط تدرج الاتجاه" (HOG) (حجم الخلية 128x128) من صور تم تغيير حجمها إلى 299x299 بكسل.
الدمج (Concatenation): تم دمج ميزات HOG مع السمات العميقة المستخرجة من InceptionResNet-v2 لإنشاء متجه سمات شامل.
التصنيف: تم تدريب نفس نماذج التعلم الآلي الخمسة على هذه المجموعة المدمجة من السمات.
د. تقييم القوة (تحليل SNR)
لاختبار المرونة، تم تطبيق ضجيج غاوسي مضاف إلى مجموعة البيانات عند ثلاثة مستويات لنسبة الإشارة إلى الضجيج (SNR): 40dB (ضجيج منخفض)، 35dB (ضجيج متوسط)، و30dB (ضجيج عالٍ).
تمت إعادة تقييم أداء النماذج عبر جميع الطرق الثلاث تحت هذه الظروف المليئة بالضجيج.
3. المساهمات الرئيسية
تكامل السمات المبتكر: تقدم الدراسة طريقة تجمع بين ميزات HOG (التي تلتقط تفاصيل الحواف والنسيج) مع السمات العميقة (التي تلتقط التجريدات عالية المستوى). هذا النهج الهجين يستفيد من نقاط القوة في كل من الرؤية الحاسوبية التقليدية والتعلم العميق الحديث.
معيار القوة: على عكس العديد من الدراسات التي تكتفي بالإبلاغ عن الدقة على البيانات النظيفة، تقوم هذه الورقة بتقييم صمود النماذج بشكل منهجي ضد مستويات SNR المتفاوتة، وتحدد البنى التي تحافظ على أدائها في البيئات المليئة بالضجيج.
تفوق الأداء: تثبت الدراسة أن النماذج المدربة على السمات العميقة (خاصة عند دمجها مع HOG) تتفوق بشكل كبير على النموذج المضبط المستقل والنماذج التي تستخدم السمات التقليدية فقط.
4. النتائج الرئيسية
أ. الأداء على البيانات النظيفة
المصنف المضبط (Fine-Tuned Classifier): حقق نموذج InceptionResNet-v2 المستقل المضبط دقة بلغت 96.01% ومساحة تحت المنحنى (AUC) بلغت 96.8%.
السمات العميقة فقط: تفوقت النماذج المدربة على السمات العميقة بشكل كبير على المصنف المضبط المستقل.
الشبكة العصبية (NN): حققت أعلى أداء بنسبة 99.99% AUC و 99.72% دقة.
GBM: حققت 99.77% AUC و 98.05% دقة.
KNN و SVM: تجاوز كلاهما 99% AUC.
دمج HOG + السمات العميقة:
عزز هذا الدمج الأداء لمعظم النماذج.
الشبكة العصبية: وصلت إلى 99.99% AUC و 99.84% دقة (وهي أعلى نتيجة في الدراسة).
GBM: تحسنت لتصل إلى 99.9% AUC و 98.73% دقة.
SVM: حققت 99.96% AUC.
ب. القوة تجاه الضجيج (تأثير SNR)
المصنف المستقل: انهار الأداء مع زيادة الضجيج، حيث انخفض من 80.16% (عند 40dB) إلى 27.44% (عند 30dB).
نماذج السمات العميقة: أظهرت مرونة أكبر.
كان GBM و KNN الأكثر قوة. عند مستوى 30dB (ضجيج عالٍ)، حافظ GBM على دقة أعلى من 80%، وحافظ KNN على ~75%.
شهدت الشبكة العصبية و SVM انخفاضاً حاداً في البيئات عالية الضجيج مقارنة بـ GBM/KNN.
دمج HOG + السمات العميقة:
بينما كان الأداء عند 40dB مقارباً للسمات العميقة وحدها، فإن إضافة HOG لم يحسن القوة بشكل كبير عند مستويات SNR المنخفضة (30-35dB) مقارنة بالسمات العميقة وحدها. وفي بعض الحالات، كان الأداء أقل قليلاً من نهج السمات العميقة فقط في سيناريوهات الضجيج العالي.
5. الأهمية والخاتمة
تخلص الدراسة إلى أن دمج التعلم العميق مع استخراج السمات التقليدية يخلق إطار عمل قوياً لتصنيف الصور النسيجية.
التكوين الأمثل: حقق نموذج الشبكة العصبية المدرب على دمج HOG والسمات العميقة أعلى دقة (99.84%) على البيانات النظيفة.
المرونة تجاه الضجيج: بالنسبة للتطبيقات السريرية حيث يمكن أن تتباين جودة الصور، أثبتت نماذج GBM و KNN المدربة على السمات العميقة أنها الأكثر موثوقية، حيث حافظت على دقة عالية حتى في ظل الضجيج الكبير (30dB).
الأثر السريري: تشير النتائج إلى أنه بينما يعد التعلم العميق الصرف قوياً، فإن النهج الهجينة ومصنفات التعلم الآلي المحددة (مثل GBM/KNN) توفر موثوقية فائقة، خاصة في ظروف التصوير غير المثالية، مما يدعم الكشف المبكر عن الأمراض وتخطيط العلاج الشخصي.
يوفر هذا البحث مساراً قوياً لتطوير أدوات تشخيص آلية ليست دقيقة للغاية فحسب، بل أيضاً مرنة تجاه التحديات العملية في علم الأمراض الرقمي الواقعي.