[論文レビュー] Deep Learning in Medical Image Classification from MRI-based Brain Tumor Images

Xiaoyi Liu, Zhuoyue Wang|arXiv (Cornell University)|Aug 1, 2024

Brain Tumor Detection and Classification被引用数 5

ひとこと要約

論文は脳腫瘍MRI分類において4つの事前学習CNNを評価し、すべての層を解凍して精度を向上させるMobileNet-BTモデルを導入（0.9924）。

ABSTRACT

Brain tumors are among the deadliest diseases in the world. Magnetic Resonance Imaging (MRI) is one of the most effective ways to detect brain tumors. Accurate detection of brain tumors based on MRI scans is critical, as it can potentially save many lives and facilitate better decision-making at the early stages of the disease. Within our paper, four different types of MRI-based images have been collected from the database: glioma tumor, no tumor, pituitary tumor, and meningioma tumor. Our study focuses on making predictions for brain tumor classification. Five models, including four pre-trained models (MobileNet, EfficientNet-B0, ResNet-18, and VGG16) and one new model, MobileNet-BT, have been proposed for this study.

研究の動機と目的

• 四つの脳腫瘍/MRI条件を分類する: 脳腫瘍、下垂体腫瘍、髄膜腫、及び腫瘍なし。
• 脳腫瘍MRIデータ上で事前学習済みCNNを比較する (MobileNetV2, ResNet-18, EfficientNet-B0, VGG16)。
• 完全ファインチューニングを伴うカスタマイズされたMobileNetベースのモデル (MobileNet-BT) を提案・評価する。
• データ拡張と学習戦略がモデル性能に与える影響を分析する。

提案手法

• Brain Tumor MRI Datasetを使用し、7023枚の画像を2000は腫瘍なし、1757は下垂体、1621はグリオーマ、1645は髄膜腫として分配。
• 画像拡張を適用（水平/垂直反転、±10°回転）し、224x224にリサイズ。
• 転移学習で学習。四つのベースラインモデルについて全層を固定し最後の層のみ解凍。精度、F1スコア、適合率、再現率、平均損失で評価。
• MobileNetV2の全層を解凍し、最終分類器を置換して MobileNet-BT を作成。ドロップアウトと二層の密結合層を追加した4クラス出力。
• クロスエントロピー損失を使用し、学習率は0.001から開始、8エポックごとに0.1倍のスケジューラを適用。バリデーション精度が8エポック停止するまで学習を停止。

実験結果

リサーチクエスチョン

• RQ1 標準の事前学習CNN( MobileNetV2, ResNet-18, EfficientNet-B0, VGG16 ) はMRIベースの脳腫瘍分類でどの程度性能を示すか？
• RQ2 MobilenetV2を完全に解凍し、分類器をカスタマイズしたMobileNet-BT は脳腫瘍MRI画像の分類精度とF1スコアを改善するか？
• RQ3 データ拡張と学習率スケジューリングがこの医用画像タスクのモデル性能へ与える影響は？
• RQ4 脳腫瘍データセットで精度、適合率、再現率、F1スコア、損失の観点でモデルはどのように比較されるか？

主な発見

モデル	Ave. Loss	Accuracy	Precision	Recall	F1-Score
MobileNetV2	0.3840	0.8445	0.8498	0.8445	0.8431
ResNet-18	0.3265	0.8659	0.8658	0.8659	0.8635
EfficientNet-B0	0.2964	0.8933	0.8961	0.8933	0.8919
VGG16	0.1602	0.9497	0.9495	0.9497	0.9494
MobileNet-BT	0.0342	0.9924	0.9924	0.9924	0.9924

• MobileNetV2 は 3.5M パラメータで0.8445の精度と0.8431のF1スコアを達成。
• ResNet-18 は11.7Mパラメータで0.8659の精度と0.8635のF1スコア。
• EfficientNet-B0 は5.3Mパラメータで0.8933の精度と0.8919のF1スコア。
• VGG16 は138Mパラメータで0.9497の精度と0.9494のF1スコア。
• MobileNet-BT は0.9924の精度と0.9924のF1スコアを達成し、全ベースラインを上回る。その他はエポック10が最良結果、他は約エポック20。