[論文レビュー] Advancing Brain Tumor Detection: A Thorough Investigation of CNNs, Clustering, and SoftMax Classification in the Analysis of MRI Images

Jonayet Miah, Duc Minh Cao+4 more|arXiv (Cornell University)|Oct 26, 2023

Brain Tumor Detection and Classification被引用数 8

ひとこと要約

本文はMRIデータ上でCNNベースの脳腫瘍検出を調査し、SoftMax、RBF、Decision Tree分類器を比較し、精度向上のためのクラスタリングベースの特徴抽出を導入。SoftMaxはテストデータで最大99.52%を達成。

ABSTRACT

Brain tumors pose a significant global health challenge due to their high prevalence and mortality rates across all age groups. Detecting brain tumors at an early stage is crucial for effective treatment and patient outcomes. This study presents a comprehensive investigation into the use of Convolutional Neural Networks (CNNs) for brain tumor detection using Magnetic Resonance Imaging (MRI) images. The dataset, consisting of MRI scans from both healthy individuals and patients with brain tumors, was processed and fed into the CNN architecture. The SoftMax Fully Connected layer was employed to classify the images, achieving an accuracy of 98%. To evaluate the CNN's performance, two other classifiers, Radial Basis Function (RBF) and Decision Tree (DT), were utilized, yielding accuracy rates of 98.24% and 95.64%, respectively. The study also introduced a clustering method for feature extraction, improving CNN's accuracy. Sensitivity, Specificity, and Precision were employed alongside accuracy to comprehensively evaluate the network's performance. Notably, the SoftMax classifier demonstrated the highest accuracy among the categorizers, achieving 99.52% accuracy on test data. The presented research contributes to the growing field of deep learning in medical image analysis. The combination of CNNs and MRI data offers a promising tool for accurately detecting brain tumors, with potential implications for early diagnosis and improved patient care.

研究の動機と目的

• MRIデータを用いた脳腫瘍の正確な早期検出の動機づけ。
• MRI腫瘍検出のために異なる分類器を用いたCNNベースのアーキテクチャを評価。
• CNNの性能向上を目的としたクラスタリングベースの特徴抽出の影響を評価。

提案手法

• 健常者および腫瘍患者のMRIスキャンでCNNを訓練。
• SoftMax全結合層で分類し、RBFおよびDecision Tree分類器と比較。
• CNNの精度を高めるためにクラスタリングベースの特徴抽出法を導入。
• 精度、感度、特異度、適合率を用いて性能を評価。
• テストデータでSoftMaxが最高の精度を達成したことを報告。

実験結果

リサーチクエスチョン

• RQ1 MRI画像からの脳腫瘍検出において、SoftMax、RBF、DTを用いたCNNはどのように性能を示すか？
• RQ2 クラスタリングベースの特徴抽出はCNNベースの腫瘍分類を改善するか？
• RQ3 テストデータにおいて最も良い全体的性能指標（精度、感度、特異度、適合率）を示す分類器はどれか？

主な発見

• SoftMax分類器は訓練/検証で98%の精度、テストデータで99.52%の精度を達成。
• RBF分類器は98.24%の精度、Decision Treeはテストデータで95.64%の精度を達成。
• クラスタリングベースの特徴抽出はクラスタリングなしのベースラインCNNよりも精度を向上。
• 評価には精度に加え感度、特異度、適合率が用いられている。