تصنيف أورام الدماغ باستخدام ميزات DINO والمصنفات الخفيفة الوزن

تعد الكشف الدقيق وتصنيف أورام الدماغ من التصوير بالرنين المغناطيسي (MRI) أمرًا حاسمًا للتشخيص وتخطيط العلاج. بينما أظهر التعلم العميق نجاحًا ملحوظًا في هذا المجال، تعتمد العديد من النماذج المتقدمة على شبكات عصبية التفافية معقدة وشاملة تتطلب موارد حاسوبية مكثفة ومجموعات بيانات كبيرة وموسومة للتدريب. تقترح هذه الدراسة منهجية جديدة وفعالة تستفيد لأول مرة من هياكل محولات الرؤية ذاتية الإشراف DINO (DINO v1، DINOv2، وDINOv3) على مجموعة كبيرة من الصور الطبيعية كمستخلصات ميزات قوية لتحليل أورام الدماغ. نستخدم الميزات الغنية وعامة الاستخدام من هياكل DINO دون تعديل جوهر النموذج. ثم تُغذى هذه الميزات المستخرجة إلى مصنف أبسط ومخصص للمهام (مثل آلة الدعم المتجهة أو الإدراك متعدد الطبقات) للكشف النهائي والتصنيف المتعدد الفئات (مثل الورم الأرومي الدبقي، ورم السحايا، والورم النخامي). تم تقييم منهجيتنا على مجموعتين معياريتين من بيانات التصوير الطبي مع درجات تصنيف متعددة. تظهر النتائج أن الطريقة المقترحة تحقق دقة تصنيف تنافسية وأحيانًا متفوقة مقارنة بالشبكات العصبية الالتفافية الدقيقة التوليف والهياكل المعتمدة على الانتباه، مع تقليل كبير في عدد المعلمات القابلة للتدريب ووقت التدريب. على وجه الخصوص، تحقق أفضل إعداد دقة تصل إلى 98.17% ونسبة F1 بمقدار 98.18% على مجموعة البيانات ذات 15 فئة و99.08% دقة وF1 بمقدار 99.02% على مجموعة البيانات ذات 4 فئات. تؤكد هذه الدراسة القدرات الاستثنائية للتعلم بالنقل لمحولات الرؤية ذاتية الإشراف مثل DINO في مجال التصوير الطبي، مما يجعلها بنية أساسية فعالة وكفؤة للغاية لأنظمة كشف وتصنيف أورام الدماغ المتينة.