[論文レビュー] A New Deep Hybrid Boosted and Ensemble Learning-based Brain Tumor Analysis using MRI

Mirza Mumtaz Zahoor, Shahzad Ahmad Qureshi+2 more|arXiv (Cornell University)|Jan 14, 2022

Brain Tumor Detection and Classification被引用数 5

ひとこと要約

本稿では、MRI画像における脳腫瘍の分析のための2段階型ディープハイブリッドブーストおよびアンサンブル学習フレームワークを提案する。最初の段階では、ディープブーストドフィーチャーとアンサンブル分類器（DBF-EC）を用いて腫瘍を検出する。この段階で99.56%の正確性を達成する。2番目の段階では、融合された動的（BRAIN-RENet）および静的（HOG）特徴を用いて腫瘍の種類を分類し、99.20%の正確性を達成する。これは、ベンチマークデータセットにおいて、最先端の手法を上回る性能を示している。

ABSTRACT

Brain tumors analysis is important in timely diagnosis and effective treatment to cure patients. Tumor analysis is challenging because of tumor morphology like size, location, texture, and heteromorphic appearance in the medical images. In this regard, a novel two-phase deep learning-based framework is proposed to detect and categorize brain tumors in magnetic resonance images (MRIs). In the first phase, a novel deep boosted features and ensemble classifiers (DBF-EC) scheme is proposed to detect tumor MRI images from healthy individuals effectively. The deep boosted feature space is achieved through the customized and well-performing deep convolutional neural networks (CNNs), and consequently, fed into the ensemble of machine learning (ML) classifiers. While in the second phase, a new hybrid features fusion-based brain tumor classification approach is proposed, comprised of dynamic-static feature and ML classifier to categorize different tumor types. The dynamic features are extracted from the proposed BRAIN-RENet CNN, which carefully learns heteromorphic and inconsistent behavior of various tumors, while the static features are extracted using HOG. The effectiveness of the proposed two-phase brain tumor analysis framework is validated on two standard benchmark datasets; collected from Kaggle and Figshare containing different types of tumor, including glioma, meningioma, pituitary, and normal images. Experimental results proved that the proposed DBF-EC detection scheme outperforms and achieved accuracy (99.56%), precision (0.9991), recall (0.9899), F1-Score (0.9945), MCC (0.9892), and AUC-PR (0.9990). While the classification scheme, the joint employment of the deep features fusion of proposed BRAIN-RENet and HOG features improves performance significantly in terms of recall (0.9913), precision (0.9906), F1-Score (0.9909), and accuracy (99.20%) on diverse datasets.

研究の動機と目的

• 形態的変異、サイズ、位置、テクスチャの違いによる、MRI画像における脳腫瘍の検出と分類の課題に対処すること。
• ディープラーニングに基づく特徴抽出とアンサンブル機械学習分類器を組み合わせることで、腫瘍検出の正確性を向上させること。
• 新規のCNN（BRAIN-RENet）から得られる動的特徴と、手作業で抽出されたHOG特徴を融合することで、腫瘍分類の性能を向上させること。
• Glioma、Meningioma、Pituitaryおよび正常例を含む、多様な脳腫瘍タイプを含む、公に利用可能なMRIデータセットを用いてフレームワークを検証すること。

提案手法

• 2段階のフレームワークを提案：第1段階で腫瘍検出、第2段階で腫瘍種別分類。
• 第1段階では、カスタマイズされたCNNを用いてディープブーストドフィーチャーを抽出し、その後、複数の機械学習分類器のアンサンブル（DBF-EC）に供給して腫瘍検出を実行する。
• 第2段階では、腫瘍の多様な挙動をモデル化する新規のCNN（BRAIN-RENet）から動的特徴を抽出する。一方、静的特徴はヒストグラム・オブ・オリエンテッド・グレーディエント（HOG）を用いて抽出する。
• 動的特徴と静的特徴を融合し、その結果を機械学習分類器に供給して腫瘍種別分類を実行する。
• フレームワークは、KaggleおよびFigshareから入手可能な2つのベンチマークデータセットを用いて訓練および評価される。これらのデータセットには、多様な脳腫瘍タイプが含まれる。
• 第1段階のアンサンブル分類器は、複数のベースラーナーを組み合わせることで、腫瘍検出におけるロバスト性と一般化性能を向上させる。

実験結果

リサーチクエスチョン

• RQ1 従来の手法と比較して、ハイブリッドディープラーニングとアンサンブル学習のアプローチは、MRI画像における脳腫瘍検出の正確性を向上させることができるか？
• RQ2 新規のCNN（BRAIN-RENet）から得られる動的特徴と、手作業で抽出されたHOG特徴の融合は、異なる脳腫瘍種別の分類においてどの程度有効であるか？
• RQ3 提案されたDBF-EC方式は、個々の分類器と比較して、腫瘍検出においてどの程度優れているか？
• RQ4 提案されたフレームワークは、腫瘍の形態的特徴や画像撮影プロトコルが異なる多様なMRIデータセットに対しても、一般化性能を示すか？

主な発見

• DBF-EC検出方式は、99.56%の正確性、0.9991の精度、0.9899の再現率、0.9945のF1スコア、0.9892のマシューフェアコefficient（MCC）、および0.9990のAUC-PRを達成した。
• BRAIN-RENetとHOG特徴を融合したハイブリッド分類モデルは、99.20%の正確性、0.9906の精度、0.9913の再現率、および0.9909のF1スコアを達成した。
• 提案されたフレームワークは、KaggleおよびFigshareの両方のベンチマークデータセットで優れた性能を示し、そのロバスト性と一般化能力を確認した。
• 0.9990のAUC-PRは、腫瘍検出におけるほぼ完璧な精度-再現率性能を示しており、高い信頼性を示している。