[論文レビュー] Brain Cancer Segmentation Using YOLOv5 Deep Neural Network

Sudipto Paul, Md Taimur Ahad+1 more|arXiv (Cornell University)|Dec 27, 2022

Brain Tumor Detection and Classification被引用数 11

ひとこと要約

本稿では、MRIスキャンにおける脳腫瘍の自動検出を目的としたYOLOv5ベースのインスタンスセグメンテーションフレームワークを提案する。3種類の腫瘍タイプ（Meningioma、Pituitary、Glioma）を分類する。モデルは10コアGPU上で効率的な推論を実現しつつ、競争力のある精度を達成しており、早期診断における医療画像セグメンテーションにおいてYOLOv5の有効性を示している。

ABSTRACT

An expansion of aberrant brain cells is referred to as a brain tumor. The brain's architecture is extremely intricate, with several regions controlling various nervous system processes. Any portion of the brain or skull can develop a brain tumor, including the brain's protective coating, the base of the skull, the brainstem, the sinuses, the nasal cavity, and many other places. Over the past ten years, numerous developments in the field of computer-aided brain tumor diagnosis have been made. Recently, instance segmentation has attracted a lot of interest in numerous computer vision applications. It seeks to assign various IDs to various scene objects, even if they are members of the same class. Typically, a two-stage pipeline is used to perform instance segmentation. This study shows brain cancer segmentation using YOLOv5. Yolo takes dataset as picture format and corresponding text file. You Only Look Once (YOLO) is a viral and widely used algorithm. YOLO is famous for its object recognition properties. You Only Look Once (YOLO) is a popular algorithm that has gone viral. YOLO is well known for its ability to identify objects. YOLO V2, V3, V4, and V5 are some of the YOLO latest versions that experts have published in recent years. Early brain tumor detection is one of the most important jobs that neurologists and radiologists have. However, it can be difficult and error-prone to manually identify and segment brain tumors from Magnetic Resonance Imaging (MRI) data. For making an early diagnosis of the condition, an automated brain tumor detection system is necessary. The model of the research paper has three classes. They are respectively Meningioma, Pituitary, Glioma. The results show that, our model achieves competitive accuracy, in terms of runtime usage of M2 10 core GPU.

研究の動機と目的

• MRIスキャンにおける脳腫瘍の早期検出を目的とした自動的でディープラーニングベースのシステムの開発。
• 手作業によるセグメンテーションの課題（時間のかかること、人的誤差の発生）を解決すること。
• リアルタイムオブジェクト検出モデルであるYOLOv5を、医療画像における脳腫瘍のインスタンスセグメンテーションに応用すること。
• Meningioma、Pituitary、Gliomaの3つの異なる腫瘍タイプにおけるモデル性能の評価。
• 臨床診断における正確で効率的な脳腫瘍セグメンテーションの実現可能性を示すこと。

提案手法

• モデルは、単一段階オブジェクト検出アーキテクチャであるYOLOv5を採用し、MRIスキャンにおけるインスタンスセグメンテーションに適応した。
• 入力データは、YOLOフォーマット（画像＋テキストアノテーション）のMRI画像と対応するラベルファイルから構成される。
• ネットワークは、Meningioma、Pituitary、Gliomaの3つの腫瘍クラスを含むデータセットで学習された。
• 同じクラス内でも個々の腫瘍インスタンスに固有のIDを割り当てることで、インスタンスセグメンテーションを実現した。
• 推論の実行時間の短縮とモデルの推論速度の向上を重視し、10コアGPU上で学習を実施した。
• 2段階パイプラインを必要とせず、エンドツーエンドの検出とセグメンテーションが可能となるようにYOLOv5のアーキテクチャを活用した。

実験結果

リサーチクエスチョン

• RQ1 YOLOv5は、MRIスキャンにおける脳腫瘍のインスタンスセグメンテーションに効果的に適応可能か？
• RQ2 YOLOv5ベースのモデルは、3種類の異なる脳腫瘍タイプの分類およびセグメンテーションにおいて、どの程度の性能を示すか？
• RQ3 10コアGPU上で、臨床的導入に適した推論速度と精度はどの程度か？
• RQ4 効率性と性能の観点から、従来の2段階セグメンテーションパイプラインと比較して、本モデルはどのように差をつけるか？
• RQ5 YOLOv5は、医療画像におけるリアルタイム推論を維持しつつ、競争力あるセグメンテーション精度を達成できるか？

主な発見

• YOLOv5モデルは、Meningioma、Pituitary、Gliomaの3種類の脳腫瘍タイプにおいて、競争力あるセグメンテーション精度を達成した。
• モデルは、10コアGPU上で実用的なリアルタイム用途に適した効率的な推論性能を示した。
• インスタンスセグメンテーションが成功裏に実行され、同じクラス内でも個々の腫瘍インスタンスに固有のIDが割り当てられた。
• 手作業によるセグメンテーションへの依存が軽減され、早期脳腫瘍診断に向けたスケーラブルなソリューションが提供された。
• 結果から、YOLOv5が神経学的応用分野における迅速かつ正確な医療画像セグメンテーションツールとしての実用性を確認した。