[論文レビュー] Machine learning approach to brain tumor detection and classification

Alice Oh, Inyoung Noh+6 more|arXiv (Cornell University)|Oct 16, 2024

Brain Tumor Detection and ClassificationNeuroscience被引用数 3

ひとこと要約

本研究では、MRI画像を用いた脳腫瘍の検出および分類のため、複数の機械学習モデルを評価し、畳み込みニューラルネットワーク（CNN）が二値分類および多クラス分類の両設定において他のモデルを上回ることを明らかにした。CNNは正常例において97.14%の正確性を達成し、正常、接着性グリオーマ、髄膜腫瘍、および視床下垂腫瘍の4つのカテゴリーにおいても優れた性能を示した。

ABSTRACT

Brain tumor detection and classification are critical tasks in medical image analysis, particularly in early-stage diagnosis, where accurate and timely detection can significantly improve treatment outcomes. In this study, we apply various statistical and machine learning models to detect and classify brain tumors using brain MRI images. We explore a variety of statistical models including linear, logistic, and Bayesian regressions, and the machine learning models including decision tree, random forest, single-layer perceptron, multi-layer perceptron, convolutional neural network (CNN), recurrent neural network, and long short-term memory. Our findings show that CNN outperforms other models, achieving the best performance. Additionally, we confirm that the CNN model can also work for multi-class classification, distinguishing between four categories of brain MRI images such as normal, glioma, meningioma, and pituitary tumor images. This study demonstrates that machine learning approaches are suitable for brain tumor detection and classification, facilitating real-world medical applications in assisting radiologists with early and accurate diagnosis.

研究の動機と目的

• MRIスキャンにおける脳腫瘍の検出および分類のための統計的および機械学習モデルを比較すること。
• 二値分類および多クラス分類の両タスクにおいてモデルの性能を評価すること。
• MRIデータを用いた脳腫瘍の早期かつ正確な診断に最も効果的なモデルを特定すること。
• 特に浸潤性グリオーマの検出における現在のアプローチの限界を評価すること。
• 機械学習を用いて放射線科医を支援する自動的かつ信頼性の高い診断ツールを提供すること。

提案手法

• Kaggleの公開データセット（脳MRI画像3,264枚）を用い、2,870枚をトレーニング、394枚をテストに分割した。
• 画像を32×32ピクセルにリサイズし、ピクセル強度を[0, 1]に正規化することで前処理を実施した。
• 11種類のモデルをトレーニングおよび比較した：線形回帰、ロジスティック回帰、ベイジアン回帰、決定木、ランダムフォレスト、SVM、シングルレイヤーおよびマルチレイヤーのパーセプトロン、CNN、RNN、LSTM。
• 標準的な評価指標（各クラスの正確性、適合率、再現率、F1スコア）を用いて評価した。
• 生のMRIデータからの階層的特徴抽出を活用することで、CNNの特徴学習の性質を暗黙的に転送学習の原則に従った。
• 正常、グリオーマ、髄膜腫瘍、視床下垂腫瘍の4つのカテゴリーにおける多クラス分類を実施した。

実験結果

リサーチクエスチョン

• RQ1 どの機械学習モデルがMRI画像からの脳腫瘍の検出および分類において最も優れた性能を示すか？
• RQ2 多クラス脳腫瘍分類において、CNNは従来の統計的および機械学習モデルと比較してどのように性能を発揮するか？
• RQ3 グリオーマの分類における課題は何か？ なぜ低性能が示されるのか？
• RQ4 深層学習モデル（例：CNN）は、正常脳組織と複数の種類の脳腫瘍を効果的に区別できるか？
• RQ5 モデルの性能指標（特に適合率と再現率）は、腫瘍の種類によってどのように変化するか？

主な発見

• 畳み込みニューラルネットワーク（CNN）は、多クラス分類のテストセットにおいて全体で97.14%の最高正確性を達成した。
• CNNは正常（97.14%再現率）、髄膜腫瘍（93.91%再現率）、視床下垂腫瘍（81.08%再現率）のカテゴリーにおいても優れた性能を示した。
• グリオーマ分類において、CNNは適合率86.34%、F1スコア31.15%を達成したが、これはこの腫瘍タイプの検出に著しい課題があることを示している。
• グリオーマ分類では再現率が最低（19.00%）かつF1スコアが31.15%にとどまり、健康な組織と混在する浸潤性腫瘍を同定することが難しいことが浮き彫りになった。
• ロジスティック回帰やランダムフォレストといった従来のモデルは中程度の性能を示したが、深層学習モデルに劣っていた。
• 本研究では、CNNが多クラス脳腫瘍分類において極めて効果的であることが確認された。特に、髄膜腫瘍や視床下垂腫瘍のような明確に定義された腫瘍に対して顕著な効果を示した。