[논문 리뷰] A New Deep Hybrid Boosted and Ensemble Learning-based Brain Tumor Analysis using MRI

Mirza Mumtaz Zahoor, Shahzad Ahmad Qureshi외 2명|arXiv (Cornell University)|2022. 01. 14.

Brain Tumor Detection and Classification인용 수 5

한 줄 요약

이 논문은 뇌 MRI 영상에서 뇌종양을 분석하기 위한 이단계 심층 하이브리드 부스팅 및 앙상블 학습 프레임워크를 제안한다. 첫 번째 단계에서는 심층 부스팅 특징과 앙상블 분류기(DBF-EC)를 사용해 종양을 탐지하여 99.56%의 정확도를 달성하고, 두 번째 단계에서는 융합된 동적(BRAIN-RENet) 및 정적(HOG) 특징을 통해 종양 유형을 분류하여 99.20%의 정확도를 달성하며, 기준 데이터셋에서 최신 기술보다 뛰어난 성능을 보였다.

ABSTRACT

Brain tumors analysis is important in timely diagnosis and effective treatment to cure patients. Tumor analysis is challenging because of tumor morphology like size, location, texture, and heteromorphic appearance in the medical images. In this regard, a novel two-phase deep learning-based framework is proposed to detect and categorize brain tumors in magnetic resonance images (MRIs). In the first phase, a novel deep boosted features and ensemble classifiers (DBF-EC) scheme is proposed to detect tumor MRI images from healthy individuals effectively. The deep boosted feature space is achieved through the customized and well-performing deep convolutional neural networks (CNNs), and consequently, fed into the ensemble of machine learning (ML) classifiers. While in the second phase, a new hybrid features fusion-based brain tumor classification approach is proposed, comprised of dynamic-static feature and ML classifier to categorize different tumor types. The dynamic features are extracted from the proposed BRAIN-RENet CNN, which carefully learns heteromorphic and inconsistent behavior of various tumors, while the static features are extracted using HOG. The effectiveness of the proposed two-phase brain tumor analysis framework is validated on two standard benchmark datasets; collected from Kaggle and Figshare containing different types of tumor, including glioma, meningioma, pituitary, and normal images. Experimental results proved that the proposed DBF-EC detection scheme outperforms and achieved accuracy (99.56%), precision (0.9991), recall (0.9899), F1-Score (0.9945), MCC (0.9892), and AUC-PR (0.9990). While the classification scheme, the joint employment of the deep features fusion of proposed BRAIN-RENet and HOG features improves performance significantly in terms of recall (0.9913), precision (0.9906), F1-Score (0.9909), and accuracy (99.20%) on diverse datasets.

연구 동기 및 목표

• 형태학적 변동성, 크기, 위치, 질감 차이로 인해 뇌 MRI 영상에서 종양을 탐지하고 분류하는 데 도전하는 문제를 해결하기 위해.
• 심층 학습 기반 특징 추출과 앙상블 기계 학습 분류기의 조합을 통해 종양 탐지 정확도를 향상시키기 위해.
• 새로운 CNN(BRAIN-RENet)에서 유도된 동적 특징과 수작업으로 생성된 HOG 특징을 융합하여 종양 분류 성능을 향상시키기 위해.
• 다양하고 공개된 MRI 데이터셋(글리오마, 메니에지오마, 피투이티어리, 정상 케이스 포함)에서 프레임워크를 검증하기 위해.

제안 방법

• 이중 단계 프레임워크를 제안한다: 제1단계는 종양 탐지, 제2단계는 종양 유형 분류.
• 제1단계에서 맞춤형 CNN을 사용해 심층 부스팅 특징을 추출하고, 이를 앙상블 기계 학습 분류기(DBF-EC)에 입력해 종양 탐지 수행.
• 제2단계에서 뇌종양의 이질적인 행동을 모델링하는 데 목적이 있는 새로운 CNN인 BRAIN-RENet에서 동적 특징을 추출하고, 히스토GRAM 오리엔테이션(HOG)을 사용해 정적 특징을 추출한다.
• 동적 특징과 정적 특징을 융합하여 기계 학습 분류기에 입력해 종양 유형 분류 수행.
• 이 프레임워크는 다양한 뇌종양 유형을 포함하는 Kaggle 및 Figshare의 두 기준 데이터셋에서 훈련 및 평가되었다.
• 제1단계의 앙상블 분류기는 여러 기초 학습기의 조합으로 종양 탐지에서 강건성과 일반화 능력을 향상시킨다.

실험 결과

연구 질문

• RQ1 기존 방법과 비교해 심층 학습과 앙상블 학습의 융합 접근법이 뇌 MRI 영상에서 종양 탐지 정확도를 향상시키는가?
• RQ2 새로운 CNN(BRAIN-RENet)에서 유도된 동적 특징과 수작업 특징(HOG)의 융합이 다양한 뇌종양 유형 분류에 얼마나 효과적인가?
• RQ3 제안된 DBF-EC 기법이 개별 분류기보다 종양 탐지에서 얼마나 뛰어난 성능을 보이는가?
• RQ4 제안된 프레임워크는 다양한 종양 형태와 영상 프로토콜을 가진 다양한 MRI 데이터셋에서 잘 일반화되는가?

주요 결과

• DBF-EC 탐지 기법은 99.56% 정확도, 0.9991 정밀도, 0.9899 재현도, 0.9945 F1-Score, 0.9892 Matthews 상관계수(MCC), 0.9990 AUC-PR를 기록하였다.
• BRAIN-RENet와 HOG 특징을 융합한 하이브리드 분류 모델은 99.20% 정확도, 0.9906 정밀도, 0.9913 재현도, 0.9909 F1-Score를 달성하였다.
• 제안된 프레임워크는 Kaggle 및 Figshare 기준 데이터셋에서 모두 뛰어난 성능을 보이며, 강건성과 일반화 능력을 입증하였다.
• 0.9990의 AUC-PR은 종양 탐지에서 거의 완벽한 정밀도-재현도 성능를 나타내며, 높은 신뢰성을 강조한다.