[論文レビュー] Convolutional XGBoost (C-XGBOOST) Model for Brain Tumor Detection

Muyiwa Babayomi, Oluwatosin Atinuke Olagbaju+1 more|arXiv (Cornell University)|Jan 5, 2023

Brain Tumor Detection and Classification被引用数 8

ひとこと要約

この論文はMRIからの脳腫瘍検出のためにCNN特徴とXGBoostを組み合わせたConvolutional XGBoost (C-XGBOOST)モデルを提案し、純粋なCNNよりもモデルの複雑さを低く抑え、データの不均衡処理を改善する。

ABSTRACT

Brain tumors are masses or abnormal growths of cells within the brain or the central spinal canal with symptoms such as headaches, seizures, weakness or numbness in the arms or legs, changes in personality or behaviour, nausea, vomiting, vision or hearing problems and dizziness. Conventional diagnosis of brain tumour involves some tests and procedure which may include the consideration of medical history, physical examination, imaging tests (such as CT or MRI scans), and biopsy (removal and examination of a small piece of the tumor tissue). These procedures, while effective, are mentally strenuous and time demanding due to the manual examination of the brain scans and the thorough evaluation of test results. It has been established in lots of medical research that brain tumours diagnosed and treated early generally tends to have a better prognosis. Deep learning techniques have evolved over the years and have demonstrated impressive and faster outcomes in the classification of brain tumours in medical imaging, with very little to no human interference. This study proposes a model for the early detection of brain tumours using a combination of convolutional neural networks (CNNs) and extreme gradient boosting (XGBoost). The proposed model, named C-XGBoost has a lower model complexity compared to purely CNNs, making it easier to train and less prone to overfitting. It is also better able to handle imbalanced and unstructured data, which are common issues in real-world medical image classification tasks. To evaluate the effectiveness of the proposed model, we employed a dataset of brain MRI images with and without tumours.

研究の動機と目的

• 早期の脳腫瘍診断を動機づけて予後を改善する。
• ハイブリッドCNN-XGBoostアプローチを開発して訓練の複雑さを削減する。
• 不均衡や非構造的データといった医用画像データの共通のデータセット課題に対処する。

提案手法

• 畳み込みニューラルネットワークとExtreme Gradient Boostingを統合してC-XGBoostモデルを形成する。
• 純粋なCNNアプローチと比較してモデルの複雑さを低くし訓練を容易にすることを目指す。
• 腫瘍分類におけるMRIデータの不均衡・非構造データの処理改善を対象とする。

実験結果

リサーチクエスチョン

• RQ1 C-XGBoostモデルはMRI画像から脳腫瘍を効果的に検出できるか。
• RQ2 C-XGBoostは純粋なCNNベースのモデルよりも低いモデルの複雑さと容易な訓練を提供するか。
• RQ3 C-XGBoostは医療画像で一般的に見られる不均衡で非構造的なデータに対してより堅牢か。

主な発見

• C-XGBoostはMRI画像からの脳腫瘍検出の有効なハイブリッドとして提案されている。
• モデルは純粋なCNNベースのアプローチよりも複雑さが低く訓練が容易であると描写されている。
• C-XGBoostは不均衡で非構造的な医療画像データの処理に適していると位置づけられている。
• 評価は腫瘍あり/なしの脳MRIデータセットを用いて性能を評価する。