[논문 리뷰] Convolutional XGBoost (C-XGBOOST) Model for Brain Tumor Detection

Muyiwa Babayomi, Oluwatosin Atinuke Olagbaju외 1명|arXiv (Cornell University)|2023. 01. 05.

Brain Tumor Detection and Classification인용 수 8

한 줄 요약

본 논문은 CNN 특징과 XGBoost를 결합한 Convolutional XGBoost (C-XGBOOST) 모델을 제시하여 MRI로 뇌종양을 탐지하고, 순수 CNN보다 모델 복잡도 감소 및 불균형 데이터 처리 성능 향상을 달성한다.

ABSTRACT

Brain tumors are masses or abnormal growths of cells within the brain or the central spinal canal with symptoms such as headaches, seizures, weakness or numbness in the arms or legs, changes in personality or behaviour, nausea, vomiting, vision or hearing problems and dizziness. Conventional diagnosis of brain tumour involves some tests and procedure which may include the consideration of medical history, physical examination, imaging tests (such as CT or MRI scans), and biopsy (removal and examination of a small piece of the tumor tissue). These procedures, while effective, are mentally strenuous and time demanding due to the manual examination of the brain scans and the thorough evaluation of test results. It has been established in lots of medical research that brain tumours diagnosed and treated early generally tends to have a better prognosis. Deep learning techniques have evolved over the years and have demonstrated impressive and faster outcomes in the classification of brain tumours in medical imaging, with very little to no human interference. This study proposes a model for the early detection of brain tumours using a combination of convolutional neural networks (CNNs) and extreme gradient boosting (XGBoost). The proposed model, named C-XGBoost has a lower model complexity compared to purely CNNs, making it easier to train and less prone to overfitting. It is also better able to handle imbalanced and unstructured data, which are common issues in real-world medical image classification tasks. To evaluate the effectiveness of the proposed model, we employed a dataset of brain MRI images with and without tumours.

연구 동기 및 목표

• 예후를 향상시키기 위한 조기 뇌종양 진단의 동기를 부여한다.
• 학습 복잡도 감소를 목표로 하이브리드 CNN-XGBoost 접근법을 개발한다.
• 불균형 및 비정형 데이터와 같은 의료 영상의 일반적인 데이터셋 문제를 다룬다.

제안 방법

• Convolutional Neural Networks를 Extreme Gradient Boosting과 결합하여 C-XGBoost 모델을 형성한다.
• 순수 CNN 방식에 비해 더 낮은 모델 복잡도와 더 쉬운 학습을 목표로 한다.
• 종양 분류에서 불균형 및 비정형 MRI 데이터의 처리 개선을 목표로 한다.

실험 결과

연구 질문

• RQ1 C-XGBoost 모델이 MRI 이미지에서 뇌종양을 효과적으로 탐지할 수 있는가?
• RQ2 C-XGBoost가 순수 CNN 기반 모델보다 더 낮은 모델 복잡도와 더 쉬운 학습을 제공하는가?
• RQ3 C-XGBoost가 의료 영상에서 일반적으로 나타나는 불균형 및 비정형 데이터에 더 강인한가?

주요 결과

• C-XGBoost는 MRI 이미지에서 뇌종양 탐지를 위한 효과적인 하이브리드로 제안된다.
• 모델은 순수 CNN 기반 접근법에 비해 더 낮은 복잡도와 더 쉬운 학습을 가진 것으로 설명된다.
• C-XGBoost는 불균형 및 비정형 의료 영상 데이터를 처리하는 데 더 적합한 것으로 제시된다.
• 평가는 종양 유무가 있는 뇌 MRI 데이터세트를 사용하여 성능을 평가한다.