[論文レビュー] Explainable Cost-Sensitive Deep Neural Networks for Brain Tumor Detection from Brain MRI Images considering Data Imbalance

Md. Tanvir Rouf Shawon, G. M. Shahariar+2 more|arXiv (Cornell University)|Aug 1, 2023

Brain Tumor Detection and Classification被引用数 10

ひとこと要約

論文は、CNNと事前学習モデル（ResNet50、InceptionV3、EfficientNetB0、NASNetMobile）を用いたコスト感度学習のパイプラインを提案し、MRI画像の脳腫瘍検出を行う。複数の explainability 方法（Grad-CAM の派生、LIME）を組み合わせ、バランスデータセットで最先端の精度を報告し、データが不均衡な場合にはコスト感度の変種で性能が向上した。

ABSTRACT

This paper presents a research study on the use of Convolutional Neural Network (CNN), ResNet50, InceptionV3, EfficientNetB0 and NASNetMobile models to efficiently detect brain tumors in order to reduce the time required for manual review of the report and create an automated system for classifying brain tumors. An automated pipeline is proposed, which encompasses five models: CNN, ResNet50, InceptionV3, EfficientNetB0 and NASNetMobile. The performance of the proposed architecture is evaluated on a balanced dataset and found to yield an accuracy of 99.33% for fine-tuned InceptionV3 model. Furthermore, Explainable AI approaches are incorporated to visualize the model's latent behavior in order to understand its black box behavior. To further optimize the training process, a cost-sensitive neural network approach has been proposed in order to work with imbalanced datasets which has achieved almost 4% more accuracy than the conventional models used in our experiments. The cost-sensitive InceptionV3 (CS-InceptionV3) and CNN (CS-CNN) show a promising accuracy of 92.31% and a recall value of 1.00 respectively on an imbalanced dataset. The proposed models have shown great potential in improving tumor detection accuracy and must be further developed for application in practical solutions. We have provided the datasets and made our implementations publicly available at - https://github.com/shahariar-shibli/Explainable-Cost-Sensitive-Deep-Neural-Networks-for-Brain-Tumor-Detection-from-Brain-MRI-Images

研究の動機と目的

• MRIレポートにおける手動レビュー時間を削減するための自動化された脳腫瘍検出を動機づける。
• バランスデータと不均衡データの両方で、脳腫瘍分類のためのCNNおよび事前学習済みCNNアーキテクチャを評価する。
• データの不均衡に対処するためコスト感度学習を組み込み、標準モデルと比較する。
• モデルの決定を可視化・解釈するために複数のExplainable AI手法を適用する。

提案手法

• 脳MRIデータセットに対して、CNN、ResNet50、InceptionV3、EfficientNetB0、NASNetMobileを脳腫瘍検出の評価対象とする。
• データの不均衡に対処するためコスト感度学習を適用し、標準トレーニングと比較する。
• モデルをファインチューニング/事前学習させ、224x224の入力サイズを用い、80/10/10の訓練/検証/テスト分割を採用する。
• Grad-CAM、Grad-CAM++, Saliency Map、SmoothGrad、Score-CAM、Faster Score-CAMによる勾配ベースの説明、およびLIMEによるモデル非依存の説明を使用する。
• 精度、適合率、再現率、F1スコア、特異度で性能を評価する。
• 実験設定の一部として、データ前処理とドロップアウト、学習率を含むモデルアーキテクチャの詳細を提供する。

実験結果

リサーチクエスチョン

• RQ1 標準的なCNNと事前学習済みCNNは、バランスのとれた脳MRIデータセットで腫瘍検出においてどのように性能を示すか？
• RQ2 コスト感度学習は、標準トレーニングと比較して不均衡な脳腫瘍データセットの性能を改善できるか？
• RQ3 これらのモデルからの脳腫瘍予測を解釈する際、Explainable AI技術（Grad-CAM、LIME など）はどれくらい有効か？
• RQ4 InceptionV3やCNNなどのCNNに対してコスト感度アプローチを適用した場合、精度/再現率への影響はどうなるか？

主な発見

• ファインチューニング後、InceptionV3はバランスデータセットで99.33%の精度を達成。
• コスト感度InceptionV3（CS-InceptionV3）は92.31%の精度を達成し、CS-CNNは92.31%の精度と再現率1.00を不均衡データで達成。
• コスト感度アプローチは、研究で用いた従来モデルと比較して不均衡データで約4%高い精度を提供する。
• Explainability手法（Grad-CAM、Grad-CAM++、Saliency Map、SmoothGrad、Score-CAM、Faster Score-CAM）を用いてCNNを解釈し、LIMEを用いて事前学習モデルを説明した。