[論文レビュー] Predictive modeling of brain tumor: A Deep learning approach

Priyansh Saxena, Akshat Maheshwari+1 more|arXiv (Cornell University)|Nov 6, 2019

Brain Tumor Detection and Classification被引用数 4

ひとこと要約

本研究では、事前学習済みの畳み込みニューラルネットワーク（VGG-16、Inception-V3、ResNet-50）を用いたトランスファーラーニングを活用した深層学習手法を提案し、脳MRI画像を悪性腫瘍または良性腫瘍に分類する。ResNet-50が95%の正確性と0%の偽陰性率を達成し、F1スコア、AUC-ROC、Cohenのカappa係数といった主な指標において、他のモデルを上回った性能を示した。

ABSTRACT

Image processing concepts can visualize the different anatomy structure of the human body. Recent advancements in the field of deep learning have made it possible to detect the growth of cancerous tissue just by a patient's brain Magnetic Resonance Imaging (MRI) scans. These methods require very high accuracy and meager false negative rates to be of any practical use. This paper presents a Convolutional Neural Network (CNN) based transfer learning approach to classify the brain MRI scans into two classes using three pre-trained models. The performances of these models are compared with each other. Experimental results show that the Resnet-50 model achieves the highest accuracy and least false negative rates as 95% and zero respectively. It is followed by VGG-16 and Inception-V3 model with an accuracy of 90% and 55% respectively.

研究の動機と目的

• MRI画像を用いた脳腫瘍の早期検出のための正確で信頼性の高い自動化システムの開発。
• 臨床診断において、悪性腫瘍を良性と誤診するという致命的なリスクを回避するため、偽陰性率の低さが不可欠であるという緊急のニーズに対応すること。
• 脳腫瘍MRIデータセットにおいて、事前学習済みの3種類の畳み込みニューラルネットワークアーキテクチャ（VGG-16、Inception-V3、ResNet-50）を用いたトランスファーラーニングの性能を評価すること。
• データオーグメンテーションおよびクロップ正規化技術を用いて、モデルの汎化性能を向上させ、過学習を低減すること。
• 包括的な性能指標に基づき、臨床現場での実用的導入に最適な深層学習モデルを特定すること。

提案手法

• 画像の暗い隅を除去し、フォーマットを標準化するため、クロップ正規化を用いてMRIスキャンを前処理する。
• トレーニングセットの多様性を高め、モデルの汎化性能を向上させるために、15°回転を用いたデータオーグメンテーションを実施する。
• 腫瘍分類のため、トランスファーラーニングを用いて、事前学習済みの3つの畳み込みニューラルネットワークモデル（VGG-16、Inception-V3、ResNet-50）を微調整する。
• KaggleクラウドGPU環境（2つのGPUコア、13 GB RAM）で、各モデルを100エポック分トレーニングする。
• 正確性、F1スコア、AUC-ROC、Cohenのカappa係数（κ）、偽陰性率といった複数の指標を用いてモデルを評価する。
• チェックポイントを用いて、トレーニング損失および検証損失、正確性の曲線を監視・比較する。

実験結果

リサーチクエスチョン

• RQ1 VGG-16、Inception-V3、ResNet-50の中から、どの事前学習済み畳み込みニューラルネットワークモデルが、MRI画像からの脳腫瘍検出において最高の分類正確性を達成するか？
• RQ2 腫瘍診断における臨床的安全性という観点から、偽陰性率という指標において、各モデルはどのように比較されるか？
• RQ3 データオーグメンテーションを伴うトランスファーラーニングは、限られた脳腫瘍MRIデータセットにおけるモデル性能をどの程度向上させるか？
• RQ4 F1スコア、AUC-ROC、Cohenのカappa係数は、各モデルの予測の信頼性および強靭性をどのように反映しているか？
• RQ5 なぜInception-V3は他のモデルと著しく性能が低く、これは医療画像処理におけるモデルの適性にどのような示唆をもたらすか？

主な発見

• ResNet-50が95%の最高のテスト正確性を達成し、VGG-16（90%）およびInception-V3（55%）を顕著に上回った。
• ResNet-50はテストセットで偽陰性率が0%を記録し、悪性腫瘍が良性と誤分類される事例が一切なかった。
• ResNet-50は最高のF1スコア（0.952）とAUC-ROC（0.95）を達成し、精度と再現率のバランスが優れていた。
• Cohenのカappa係数もResNet-50が最も高く（0.90）、VGG-16（0.80）およびInception-V3（0.10）を上回った。これは、偶然を超えた著しい一致を示している。
• Inception-V3は過学習の兆候を示し、ランダム分類よりわずかに優れており、AUC-ROCが0.55、F1スコアが0.689であった。
• 約2150秒という類似したトレーニング時間であったが、ResNet-50は安定したトレーニングおよび検証曲線を示し、優れた収束性と汎化性能を示した。