[논문 리뷰] Brain tumor multi classification and segmentation in MRI images using deep learning

Belal Amin, Romario Sameh Samir외 5명|arXiv (Cornell University)|2023. 04. 20.

Brain Tumor Detection and ClassificationNeuroscience인용 수 3

한 줄 요약

이 연구는 뇌종양 분류(망막종, 글리오마, 뇌하우수선암종, 종양 없음)를 위한 다중 클래스 분류에 EfficientNetB1을 사용하고, MRI 스캔에서 정밀한 종양 세분화를 위한 U-Net을 조합한 이중 딥러닝 프레임워크를 제안한다. 모델은 분류 정확도 99.39%와 Dice 계수 0.9977, IoU 0.9981을 기록하여 고성능을 입증하였으며, 자동 진단 및 치료 계획 수립 분야에서 높은 임상적 잠재력을 보여준다.

ABSTRACT

This study proposes a deep learning model for the classification and segmentation of brain tumors from magnetic resonance imaging (MRI) scans. The classification model is based on the EfficientNetB1 architecture and is trained to classify images into four classes: meningioma, glioma, pituitary adenoma, and no tumor. The segmentation model is based on the U-Net architecture and is trained to accurately segment the tumor from the MRI images. The models are evaluated on a publicly available dataset and achieve high accuracy and segmentation metrics, indicating their potential for clinical use in the diagnosis and treatment of brain tumors.

연구 동기 및 목표

• 뇌종양을 망막종, 글리오마, 뇌하우수선암종, 종양 없음 네 가지 유형으로 자동 분류하는 딥러닝 시스템을 개발하는 것.
• 정확한 진단 및 치료 계획 지원을 위해 MRI 스캔에서 종양 영역의 정밀한 세분화를 가능하게 하는 것.
• 사전 훈련된 및 전문화된 아키텍처를 활용하여 고정밀도 분류와 최신 세분화 기술을 융합함으로써 기존 방법을 향상시키는 것.
• 공개 데이터셋에서 모델 성능을 검증하여 강건성과 임상 적용 가능성을 입증하는 것.

제안 방법

• 분류 모델의 백본으로 사전 훈련된 EfficientNetB1을 사용하고, 전역 평균 풀링과 두 개의 밀집층을 적용하여 MRI 데이터에 맞게 미세조정하였다.
• 에코더-디코더 구조와 스킵 커넥션을 갖춘 U-Net 아키텍처를 활용하여 정밀한 종양 세분화를 수행하였다.
• 이중 교차 엔트로피 손실과 Dice 손실을 사용하여 Adam 옵timizer와 조기 정지 기법을 적용해 세분화 모델을 훈련시켰다.
• 과적합을 줄이고 일반화 능력을 향상시키기 위해 데이터 증강 기법을 적용하였다.
• 그리드 서치를 통해 하이퍼파ram터를 최적화하였으며, 학습률 0.0001, 배치 크기 32, 가중치 감소 0.0001를 설정하였다.
• BraTS 2018 데이터셋에서 U-Net을 100 에포크 동안 훈련하였고, 검증 손실 기반 조기 정지를 적용하였다.

실험 결과

연구 질문

• RQ1 사전 훈련된 EfficientNetB1 모델이 MRI 스캔에서 네 가지 다른 종류의 뇌종양을 고정밀도로 분류할 수 있는가?
• RQ2 U-Net 기반 아키텍처가 높은 Dice 및 IoU 스코어를 기록하는 정밀한 종양 세분화 마스크를 생성할 수 있는가?
• RQ3 분류 및 세분화 모델의 통합이 진단 신뢰도 및 임상 유용성을 어떻게 향상시키는가?
• RQ4 데이터 증강 및 하이퍼파ram터 튜닝은 모델의 일반화 능력과 성능을 얼마나 향상시키는가?

주요 결과

• 분류 모델은 MRI 데이터셋에서 테스트 정확도 99.39%를 기록하여 네 종류의 종양을 구분하는 데 뛰어난 성능을 보였다.
• U-Net 세분화 모델은 테스트 세트에서 Dice 계수 0.9977과 교차율(IoU) 스코어 0.9981을 달성하였다.
• 모델는 데이터 증강과 조기 정지를 통해 높은 강건성과 일반화 능력을 보였으며, 성능 저하 없이 안정적인 성능 유지를 확인하였다.
• EfficientNetB1과 U-Net의 통합은 계산 효율성이 높고, 분류 및 세분화 작업을 위한 엔드 투 엔드 솔루션을 제공하였다.
• 기존 많은 모델들과 비교해도 성능이 뛰어나 특히 세분화 지표에서 두각을 나타내어 임상적 잠재력이 높음을 입증하였다.