[論文レビュー] Brain tumor multi classification and segmentation in MRI images using deep learning

Belal Amin, Romario Sameh Samir+5 more|arXiv (Cornell University)|Apr 20, 2023

Brain Tumor Detection and ClassificationNeuroscience被引用数 3

ひとこと要約

本研究では、MRI画像における脳腫瘍の正確な分類とセグメンテーションを実現するため、EfficientNetB1とU-Netを組み合わせた二重の深層学習フレームワークを提案する。分類精度は99.39%に達し、Dice係数は0.9977、IoUは0.9981を記録した。本モデルは、自動診断および治療計画における高い性能と臨床的応用可能性を示している。

ABSTRACT

This study proposes a deep learning model for the classification and segmentation of brain tumors from magnetic resonance imaging (MRI) scans. The classification model is based on the EfficientNetB1 architecture and is trained to classify images into four classes: meningioma, glioma, pituitary adenoma, and no tumor. The segmentation model is based on the U-Net architecture and is trained to accurately segment the tumor from the MRI images. The models are evaluated on a publicly available dataset and achieve high accuracy and segmentation metrics, indicating their potential for clinical use in the diagnosis and treatment of brain tumors.

研究の動機と目的

• 脳腫瘍を4つのカテゴリ（陥門腫瘍、グリオーマ、前頭葉線維芽腫、腫瘍なし）に分類する自動化された深層学習システムの開発を目的とする。
• MRIスキャンにおける腫瘍領域の正確なセグメンテーションを可能にし、正確な診断と治療計画を支援することを目的とする。
• 事前学習済みモデルと特化型アーキテクチャを組み合わせることで、高精度な分類と最先端のセグメンテーションを実現し、既存手法を改善することを目的とする。
• 公的データセットを用いたモデルの性能評価を通じて、その頑健性と臨床応用可能性を検証することを目的とする。

提案手法

• 分類モデルのバックボーンとして事前学習済みEfficientNetB1を採用し、グローバル平均プーリングと2層の全結合層を用いてMRIデータで微調整した。
• エンコーダ・デコーダ構造とスキップ接続を備えたU-Netアーキテクチャを採用し、正確な腫瘍セグメンテーションを実現した。
• 二値交差エントロピー損失とDice損失を用い、Adam最適化アルゴリズムと早期停止法を適用してセグメンテーションモデルを学習した。
• 過学習を軽減し、一般化性能を向上させるためにデータオーグメンテーションを適用した。
• グリッドサーチを用いてハイパーパrameterを最適化し、学習率0.0001、バッチサイズ32、重み減衰0.0001を設定した。
• U-NetをBraTS 2018データセット上で100エポック分学習させ、検証損失に基づく早期停止法を適用した。

実験結果

リサーチクエスチョン

• RQ1 事前学習済みEfficientNetB1モデルは、MRI画像から4種類の異なる脳腫瘍を高精度に分類できるか？
• RQ2 U-Netベースのアーキテクチャは、高いDiceスコアとIoUスコアを達成する高精度な腫瘍セグメンテーションマスクを生成できるか？
• RQ3 分類モデルとセグメンテーションモデルの統合は、診断の信頼性と臨床的有用性をどのように向上させるか？
• RQ4 データオーグメンテーションとハイパーパrameterチューニングは、モデルの一般化性能と性能をどの程度向上させるか？

主な発見

• 分類モデルはMRIデータセット上でテスト精度99.39%を達成し、4種類の腫瘍を区別する能力が優れていることが示された。
• U-Netセグメンテーションモデルは、テストセットでDice係数0.9977、交差率（IoU）0.9981を達成した。
• データオーグメンテーションと早期停止法を適用することで、モデルは高い頑健性と一般化性能を示し、性能が安定した。
• EfficientNetB1とU-Netの統合により、計算効率が高く、分類とセグメンテーションの両タスクをエンドツーエンドで処理できるソリューションが実現された。
• 結果は、特にセグメンテーション指標において多数の既存モデルを上回っており、本モデルの臨床的応用可能性が顕著に示された。