[論文レビュー] Detection and Classification of Brain tumors Using Deep Convolutional Neural Networks

Gopinath Balaji, Ranit Sen+1 more|arXiv (Cornell University)|Aug 28, 2022

Brain Tumor Detection and Classification被引用数 12

ひとこと要約

本論文は、5つのCNNアーキテクチャ（EfficientNetB0、ResNet50、Xception、MobileNetV2、VGG16）を用いたトランスファーラーニングを活用する深層学習フレームワークを提案し、2次元MRIスキャンから脳腫瘍（神経膠腫、髄膜腫瘍、視床下部腫瘍、および正常）を検出・分類する。データオーグメンテーション、頭蓋骨除去、バイアス補正、ノイズ除去を適用することで、97.61%の正確性を達成し、限られた3,264枚の画像データセットにおいて、アーキテクチャの効率性と特徴抽出能力に優れるEfficientNetB0が他のモデルを上回った。

ABSTRACT

Abnormal development of tissues in the body as a result of swelling and morbid enlargement is known as a tumor. They are mainly classified as Benign and Malignant. Tumour in the brain is fatal as it may be cancerous, so it can feed on healthy cells nearby and keep increasing in size. This may affect the soft tissues, nerve cells, and small blood vessels in the brain. Hence there is a need to detect and classify them during the early stages with utmost precision. There are different sizes and locations of brain tumors which makes it difficult to understand their nature. The process of detection and classification of brain tumors can prove to be an onerous task even with advanced MRI (Magnetic Resonance Imaging) techniques due to the similarities between the healthy cells nearby and the tumor. In this paper, we have used Keras and Tensorflow to implement state-of-the-art Convolutional Neural Network (CNN) architectures, like EfficientNetB0, ResNet50, Xception, MobileNetV2, and VGG16, using Transfer Learning to detect and classify three types of brain tumors namely - Glioma, Meningioma, and Pituitary. The dataset we used consisted of 3264 2-D magnetic resonance images and 4 classes. Due to the small size of the dataset, various data augmentation techniques were used to increase the size of the dataset. Our proposed methodology not only consists of data augmentation, but also various image denoising techniques, skull stripping, cropping, and bias correction. In our proposed work EfficientNetB0 architecture performed the best giving an accuracy of 97.61%. The aim of this paper is to differentiate between normal and abnormal pixels and also classify them with better accuracy.

研究の動機と目的

• 手作業による放射線科的解釈に依存することを減らすために、深層学習を用いて脳腫瘍の早期発見と分類を改善すること。
• MRIスキャンにおける正常組織と異常組織の形態的類似性のため、脳腫瘍分類の正確性が低いという課題に対処すること。
• 限定的で多様性のあるMRIデータセットを用いて、複数の事前学習済みCNNアーキテクチャ（例：EfficientNetB0、ResNet50）のトランスファーラーニング性能を評価すること。
• 頭蓋骨除去、バイアス補正、データオーグメンテーションを含む包括的な前処理により、モデルの汎化性と頑健性を向上させること。
• 高い正確性と再現率を備えた、正常と腫瘍性脳組織を信頼性高く区別できる自動化されたシステムを提供すること。

提案手法

• 5つの最先端のCNNアーキテクチャ（EfficientNetB0、ResNet50、Xception、MobileNetV2、VGG16）を用いたトランスファーラーニングを実施し、カスタムMRIデータセット上で微調整した。
• 頭蓋骨除去により脳以外の構造を除去し、BM3Dベースの画像ノイズ除去、バイアス補正、画像クロッピングを含む多段階の前処理パイプラインを実装し、入力品質を向上させた。
• 回転、反転、ズーム、シフトなどのデータオーグメンテーション技術を適用し、3,264枚の小さなトレーニングデータセットにおける過学習を軽減するとともに、データセットの多様性を向上させた。
• KerasとTensorFlowを用いてモデルを訓練し、カテゴリカル交差エントロピー損失関数とAdam最適化手法を採用。収束を改善するため、早期ストップと学習率スケジューリングを実装した。
• 標準的な指標（正確性、適合率、再現率、F1スコア）を用いて性能を評価し、混同行列と学習曲線を用いてモデル診断を実施した。
• バリデーション正確性および全クラス（ノーティューマ、神経膠腫、髄膜腫瘍、視床下部腫瘍）における包括的評価に基づき、最良のモデルを選定した。

実験結果

リサーチクエスチョン

• RQ1 限定的なMRIデータセットにおいて、どの事前学習済みCNNアーキテクチャが脳腫瘍検出・分類に最も優れているか？
• RQ2 データオーグメンテーションおよび画像前処理技術は、脳腫瘍分類における深層学習モデルの汎化性と正確性にどのように影響するか？
• RQ3 トランスファーラーニングは、医療画像分類タスクにおける限られたトレーニングデータを補うのに有効に機能するか？
• RQ4 EfficientNetB0のような最先端アーキテクチャとVGG16のような伝統的なモデルとの間で、脳腫瘍タイプ分類の性能差はどの程度か？
• RQ5 画像ノイズ除去と頭蓋骨除去は、MRIを用いた腫瘍検出におけるモデルの頑健性と予測正確性をどの程度向上させるか？

主な発見

• EfficientNetB0が97.61%の最高分類正確性を達成し、テストされた全アーキテクチャの中で最も優れた性能を示した。
• MobileNetV2は96.60%の正確性を達成し、パラメータ数が少ないにもかかわらず優れた性能を示しており、効率性と汎化能力の高さを示している。
• ResNet50、Xception、MobileNetV2は全員96%以上の正確性を達成し、データセット上で強いトランスファーラーニング性能を示した。
• VGG16は正確性が低く、スキップ接続の欠如と小さな多視点MRIデータセットにおける汎化能力の不足が原因と考えられる。
• ノーティューマおよび視床下部腫瘍クラスは100%の予測正確性を達成したが、髄膜腫瘍と神経膠腫はそれぞれ98.96%および96.77%の正確性で分類された。
• 混同行列により、全クラスで高い適合率、再現率、F1スコアが確認され、EfficientNetB0が全腫瘍タイプにおいて最良の総合F1スコアを示した。