[논문 리뷰] Advancing Brain Tumor Detection: A Thorough Investigation of CNNs, Clustering, and SoftMax Classification in the Analysis of MRI Images

Jonayet Miah, Duc Minh Cao외 4명|arXiv (Cornell University)|2023. 10. 26.

Brain Tumor Detection and Classification인용 수 8

한 줄 요약

본 논문은 MRI 데이터에서 CNN 기반 뇌종양 탐지를 연구하고 SoftMax, RBF, Decision Tree 분류기를 비교하며 정확도 향상을 위한 클러스터링 기반 특징 추출을 도입하고, SoftMax가 테스트 데이터에서 최대 99.52%의 성과를 달성한다.

ABSTRACT

Brain tumors pose a significant global health challenge due to their high prevalence and mortality rates across all age groups. Detecting brain tumors at an early stage is crucial for effective treatment and patient outcomes. This study presents a comprehensive investigation into the use of Convolutional Neural Networks (CNNs) for brain tumor detection using Magnetic Resonance Imaging (MRI) images. The dataset, consisting of MRI scans from both healthy individuals and patients with brain tumors, was processed and fed into the CNN architecture. The SoftMax Fully Connected layer was employed to classify the images, achieving an accuracy of 98%. To evaluate the CNN's performance, two other classifiers, Radial Basis Function (RBF) and Decision Tree (DT), were utilized, yielding accuracy rates of 98.24% and 95.64%, respectively. The study also introduced a clustering method for feature extraction, improving CNN's accuracy. Sensitivity, Specificity, and Precision were employed alongside accuracy to comprehensively evaluate the network's performance. Notably, the SoftMax classifier demonstrated the highest accuracy among the categorizers, achieving 99.52% accuracy on test data. The presented research contributes to the growing field of deep learning in medical image analysis. The combination of CNNs and MRI data offers a promising tool for accurately detecting brain tumors, with potential implications for early diagnosis and improved patient care.

연구 동기 및 목표

• MRI 데이터를 이용한 뇌종양의 조기 정확한 탐지의 필요성을 제시한다.
• 다른 분류기를 포함한 CNN 기반 아키텍처를 MRI 종양 탐지에 대해 평가한다.
• CNN 성능에 대한 클러스터링 기반 특징 추출의 영향을 평가한다.

제안 방법

• 건강한 사람과 종양 환자의 MRI 스캔에 대해 CNN을 학습시킨다.
• SoftMax 완전 연결층으로 분류하고 이를 RBF 및 의사결정 트리 분류기와 비교한다.
• CNN 정확도 향상을 위한 클러스터링 기반 특징 추출 방법을 도입한다.
• 정확도, 민감도, 특이도, 정밀도를 사용하여 성능을 평가한다.
• SoftMax가 테스트 데이터에서 가장 높은 정확도를 달성한다.

실험 결과

연구 질문

• RQ1 다른 분류기(SoftMax, RBF, DT)를 갖는 CNN이 MRI 영상에서 뇌종양 탐지에 어떤 성능을 보이나요?
• RQ2 클러스터링 기반 특징 추출이 CNN 기반 종양 분류를 향상시키나요?
• RQ3 테스트 데이터에서 어떤 분류기가 가장 우수한 전체 성능 지표(정확도, 민감도, 특이도, 정밀도)를 제공하나요?

주요 결과

• SoftMax 분류기는 학습/검증에서 98%의 정확도를 달성하고 테스트 데이터에서 99.52%의 정확도를 달성한다.
• RBF 분류기는 테스트 데이터에서 98.24%의 정확도를 달성하고, 의사결정 트리는 95.64%의 정확도를 달성한다.
• 클러스터링 기반 특징 추출은 클러스터링 없는 기본 CNN에 비해 정확도를 향상시킨다.
• 본 연구는 정확도뿐만 아니라 민감도, 특이도, 정밀도를 함께 사용하여 평가한다.