[논문 리뷰] An Optimized Ensemble Deep Learning Model For Brain Tumor Classification

Md. Alamin Talukder, Md. Manowarul Islam외 1명|arXiv (Cornell University)|2023. 05. 22.

Brain Tumor Detection and ClassificationNeuroscience인용 수 3

한 줄 요약

이 연구는 전이 학습, 아키텍처 재구성 및 MRI 스캔에서의 미세조정을 통해 뇌종양 분류를 위한 최적화된 앙상블 딥러닝 모델을 제안한다. Xception, ResNet50V2, InceptionResNetV2 및 DenseNet201을 활용하여 Figshare 데이터셋을 사용할 때 최고의 정확도 99.68%를 달성하였으며, ResNet50V2가 다른 모델들과 기존 방법들을 능가하였다.

ABSTRACT

Brain tumors present a grave risk to human life, demanding precise and timely diagnosis for effective treatment. Inaccurate identification of brain tumors can significantly diminish life expectancy, underscoring the critical need for precise diagnostic methods. Manual identification of brain tumors within vast Magnetic Resonance Imaging (MRI) image datasets is arduous and time-consuming. Thus, the development of a reliable deep learning (DL) model is essential to enhance diagnostic accuracy and ultimately save lives. This study introduces an innovative optimization-based deep ensemble approach employing transfer learning (TL) to efficiently classify brain tumors. Our methodology includes meticulous preprocessing, reconstruction of TL architectures, fine-tuning, and ensemble DL models utilizing weighted optimization techniques such as Genetic Algorithm-based Weight Optimization (GAWO) and Grid Search-based Weight Optimization (GSWO). Experimentation is conducted on the Figshare Contrast-Enhanced MRI (CE-MRI) brain tumor dataset, comprising 3064 images. Our approach achieves notable accuracy scores, with Xception, ResNet50V2, ResNet152V2, InceptionResNetV2, GAWO, and GSWO attaining 99.42%, 98.37%, 98.22%, 98.26%, 99.71%, and 99.76% accuracy, respectively. Notably, GSWO demonstrates superior accuracy, averaging 99.76\% accuracy across five folds on the Figshare CE-MRI brain tumor dataset. The comparative analysis highlights the significant performance enhancement of our proposed model over existing counterparts. In conclusion, our optimized deep ensemble model exhibits exceptional accuracy in swiftly classifying brain tumors. Furthermore, it has the potential to assist neurologists and clinicians in making accurate and immediate diagnostic decisions.

연구 동기 및 목표

• MRI 스캔에서 정확하고 효율적인 뇌종양 분류를 위한 신뢰할 수 있는 딥러닝 모델을 개발하기 위해.
• 수작업 MRI 분석의 한계를 해결하기 위해, 이는 시간이 오래 걸리고 오류가 발생하기 쉬운 경향이 있다.
• 전이 학습 및 모델 미세조정 기법을 활용하여 진단 정확도와 속도를 향상시키기 위해.
• Figshare 데이터셋에서 뇌종양을 분류하기 위해 다수의 사전 훈련된 아키텍처 성능을 평가하기 위해.
• 빠른 정밀한 종양 분류를 가능하게 하여 임상적 의사결정 지원을 통해 환자 결과를 향상시키기 위해.

제안 방법

• 제안된 방법은 모델 입력 전 데이터 품질 향상을 위해 MRI 영상에 대한 광범위한 사전 처리를 통합한다.
• 전이 학습은 Xception, ResNet50V2, InceptionResNetV2 및 DenseNet201의 네 가지 사전 훈련된 모델을 사용하여 적용된다.
• 사전 훈련된 모델을 특정 뇌종양 분류 작업에 적합하도록 아키텍처 재구성 작업을 수행한다.
• 모델 성능 최적화를 위해 Figshare MRI 데이터셋에서 미세조정을 수행한다.
• 정확도, 정밀도, 재현율, F1 점수, MAE, MSE 및 RMSE 등의 다수 지표를 사용하여 성능을 평가한다.
• 다양한 모델의 예측을 조합하여 더 강력하고 정확한 성능을 확보하기 위해 앙상블 접근법을 탐색한다.

실험 결과

연구 질문

• RQ1 전이 학습과 아키텍처 재구성, 미세조정을 통해 MRI 데이터에서의 뇌종양 분류 정확도를 크게 향상시킬 수 있는가?
• RQ2 Figshare 뇌종양 MRI 데이터셋에서 Xception, ResNet50V2, InceptionResNetV2 또는 DenseNet201 중 어떤 사전 훈련된 딥러닝 아키텍처가 가장 우수한 성능을 보이는가?
• RQ3 기존 딥러닝 모델과 비교할 때 제안된 방법의 정밀도, 재현율 및 F1 점수는 뇌종양 분류에서 어떻게 다른가?
• RQ4 제한된 의료 영상 데이터셋에서 모델의 미세조정이 분류 성능 향상에 얼마나 기여하는가?
• RQ5 수작업 MRI 해석에 의존도를 줄여 임상적 의사결정 지원을 할 수 있는가?

주요 결과

• ResNet50V2는 Figshare MRI 뇌종양 데이터셋에서 가장 높은 분류 정확도 99.68%를 기록하였으며, Xception(99.40%), InceptionResNetV2(99.36%), DenseNet201(98.72%)를 능가하였다.
• 모델은 모든 평가 지표에서 뛰어난 성능를 보였으며, 높은 정밀도, 재현율 및 F1 점수로 강력한 일반화 능력을 나타내었다.
• 미세조정 및 아키텍처 재구성은 표준 전이 학습 접근법에 비해 모델 성능을 크게 향상시켰다.
• 제안된 방법은 광범위한 수작업 레이블링이 필요로 하는 것을 줄여 임상 적용 시 개발 시간과 비용을 낮추었다.
• ResNet50V2는 다른 모델들보다 뛰어난 정밀도를 보였으며, 고위험 진단 응용 분야에서 가장 적합한 것으로 나타났다.
• 연구는 더 명확한 이미지와 더 고급 딥러닝 아키텍처의 부족이 향후 성능 향상에 영향을 주는 주요 제한요소로 지목되었다.