CNN-ViT Fusion with Adaptive Attention Gate for Brain Tumor MRI Classification: A Hybrid Deep Learning Model

ملخص تقني: دمج شبكات CNN-ViT مع بوابة الانتباه التكيفية لتصنيف أورام الدماغ عبر التصوير بالرنين المغناطيسي (MRI)

1. بيان المشكلة

يعد التصنيف المبكر والدقيق لأورام الدماغ من خلال التصوير بالرنين المغناطيسي (MRI) أمراً بالغ الأهمية لتحديد خطط العلاج الفعالة (الجراحة، أو الإشعاع، أو العلاج الكيميائي). ومع ذلك، فإن التفسير الإشعاعي اليدوي يستغرق وقتاً طويلاً وهو عرضة للخطأ البشري والتباين في التقدير بين المراقبين. وبينما نجح التعلم العميق في تحسين هذا المجال، إلا أن النماذج الحالية غالباً ما تواجه مقايضة: الشبكات العصبية الالتفافية (CNNs) تتفوق في التقاط الأنسجة المحلية والحدود المورفولوجية ولكنها تعاني في استيعاب الاعتمادات المكانية بعيدة المدى، بينما محولات الرؤية (ViTs) تلتقط السياق العالمي ولكنها تتطلب عادةً مجموعات بيانات ضخمة وتواجه صعوبة في التعامل مع دقة الميزات المحلية في مجموعات البيانات الطبية الصغيرة.

2. المنهجية

يقترح المؤلفون بنية هجينة للتعلم العميق تسمى CNN-MobileViT-AAG. تم تصميم النموذج للاستفادة من نقاط القوة المتكاملة لكلا البنيتين من خلال آلية دمج ديناميكية.

• بنية ثنائية المسارات:
  • مسار الـ CNN (مستخرج الميزات المحلية): مسار مستوحى من SqueezeNet يستخدم وحدات "Fire" (التلافيف الضغطية والتوسعية). هذا التصميم يلتقط الأنسجة والحدود المحلية متعددة المقاييس مع الحفاظ على كفاءة عدد المعلمات (parameters).
  • المسار العالمي (الاستدلال بعيد المدى): مسار مستوحى من MobileViT يستخدم كتل MBConv (التلافيف المقلوبة لـ Mobile) وطبقات محول خفيفة الوزن. يلتقط هذا المسار العلاقات المكانية العالمية والسياق التشريحي.
• بوابة الانتباه التكيفية (AAG) - الابتكار الجوهري:
  بدلاً من مجرد الدمج البسيط أو المتوسط، يستخدم النموذج بوابة AAG لإجراء توزين لكل عينة ولكل بُعد من أبعاد الميزات.
  • يتم دمج التضمينات (embeddings) من كلا المسارين ($f_{CNN}$ و $f_{ViT}$) وتمريرها عبر طبقة MLP مكونة من طبقتين مع دالة تنشيط "sigmoid" لإنتاج متجه بوابة ناعم $\alpha \in (0, 1)^{256}$.
  • يتم حساب التمثيل المدمج النهائي كالتالي: $f_{fused} = \alpha \odot f_{CNN} + (1 - \alpha) \odot f_{ViT}$.
  • يسمح هذا للنموذج بتقرير ما إذا كان سيثق في معلومات الـ CNN المحلية أو معلومات الـ ViT العالمية لكل بُعد ميزة محدد.
• تفاصيل التدريب: تم تدريب النموذج على مجموعة بيانات Kaggle لصور الرنين المغناطيسي لأورام الدماغ (4 فئات: الورم الدبقي، الورم السحائي، لا يوجد ورم، والورم النخامي) باستخدام مُحسن Adam، والتدريب بدقة مختلطة، وتعزيز البيانات.

3. المساهمات الرئيسية

• تصميم بنية هجينة: دمج كفاءة نمط SqueezeNet مع الاستدلال العالمي لنمط MobileViT.
• دمج الميزات الديناميكي: تقديم بوابة الانتباه التكيفية (AAG)، والتي تتجاوز الدمج الثابت عبر تعلم أوزان خاصة بكل حالة للميزات غير المتجانسة.
• القابلية للتفسير: تقدم الدراسة تحليلاً لقيم تنشيط البوابة ($\alpha$)، مما يوضح أن النموذج "يختار" مسارات مختلفة بناءً على نوع الورم (على سبيل المثال، الاعتماد أكثر على الـ CNN للأورام ذات الأنسجة مثل الورم الدبقي، وأكثر على الـ ViT للأنماط المنتشرة مثل الورم السحائي).

4. النتائج

حقق النموذج أداءً رائداً (state-of-the-art) على مجموعة الاختبار:

• الدقة (Accuracy): %97.60
• الدقة المحددة (Precision): %97.30
• الاستدعاء (Recall): %97.50
• مقياس F1 (F1-Score): %97.40
• متوسط المساحة تحت المنحنى (Macro-average AUC): 0.9946
• الأداء لكل فئة: حققت جميع الفئات درجات F1 أعلى من %96.9، حيث أظهرت فئة "لا يوجد ورم" أعلى دقة محددة (98.20%).

5. الأهمية والأثر السريري

تثبت هذه الدراسة أن التوزين الدينماكي للميزات يتفوق على طرق الدمج القياسية في التصوير الطبي. من خلال الموازنة الفعالة بين السياق المحلي والعالمي، يقلل النموذج من خطر الخطأ في التصنيف — وهو مطلب حيوي في البيئات السريرية حيث يمكن أن يؤدي الخطأ في تحديد نوع الورم إلى أخطاء علاجية قاتلة. ورغم أن الدراسة تقتصر حالياً على شرائح MRI ثنائية الأبعاد، إلا أنها توفر إطاراً قوياً لأبحاث المحولات ثلاثية الأبعاد المستقبلية، وتقدم نموذجاً عالي الدقة وفعالاً من حيث عدد المعلمات، مما يجعله مناسباً للبيئات السريرية محدودة الموارد.