[논문 리뷰] Deep Learning in Medical Image Classification from MRI-based Brain Tumor Images

Xiaoyi Liu, Zhuoyue Wang|arXiv (Cornell University)|2024. 08. 01.

Brain Tumor Detection and Classification인용 수 5

한 줄 요약

이 논문은 뇌종양 MRI 분류에서 네 가지 사전 학습 CNN을 평가하고 모든 층의 동결 해제를 통해 더 높은 정확도(0.9924)를 달성하는 MobileNet-BT 모델을 제시한다.

ABSTRACT

Brain tumors are among the deadliest diseases in the world. Magnetic Resonance Imaging (MRI) is one of the most effective ways to detect brain tumors. Accurate detection of brain tumors based on MRI scans is critical, as it can potentially save many lives and facilitate better decision-making at the early stages of the disease. Within our paper, four different types of MRI-based images have been collected from the database: glioma tumor, no tumor, pituitary tumor, and meningioma tumor. Our study focuses on making predictions for brain tumor classification. Five models, including four pre-trained models (MobileNet, EfficientNet-B0, ResNet-18, and VGG16) and one new model, MobileNet-BT, have been proposed for this study.

연구 동기 및 목표

• 뇌종양/MRI 네 가지 상태를 분류한다: 신경교종, 뇌하수체 종양, 수막종 및 비종양.
• 뇌종양 MRI 데이터에서 사전 학습된 CNN(MobileNetV2, ResNet-18, EfficientNet-B0, VGG16)을 비교한다.
• 전체 미세 조정이 가능한 커스텀 MobileNet 기반 모델(MobileNet-BT)을 제안하고 평가한다.
• 데이터 증강 및 학습 전략이 모델 성능에 미치는 영향을 분석한다.

제안 방법

• 총 7023장의 뇌종양 MRI 데이터 세트를 사용하되, 2000장 종양 없음, 1757장 뇌하수체 종양, 1621장 신경교종, 1645장 수막종으로 분포한다.
• 가로/세로 대칭 변환, ±10° 회전을 포함한 이미지 증강을 적용하고 크기를 224x224로 조정한다.
• 전이 학습으로 학습; 네 가지 기본 모델에서 마지막 계층을 제외한 모든 층을 동결하고 평가 지표로 정확도, F1-점수, 정밀도, 재현율 및 평균 손실을 사용한다.
• MobileNetV2의 모든 층의 동결을 해제하고 최종 분류기를 교체하여 드롭아웃과 두 개의 완전 연결(Dense) 층을 가진 네 클래스 출력의 MobileNet-BT를 만든다.
• 교차 엔트로피 손실을 사용하고 초기 학습률을 0.001로 시작하여 8 에폭마다 0.1배로 곱해주는 스케줄러를 적용한다; 검증 정확도가 8에폭 동안 정체되면 중지한다.

실험 결과

연구 질문

• RQ1 MRI 기반 뇌종양 분류에서 표준 사전 학습 CNN(MobileNetV2, ResNet-18, EfficientNet-B0, VGG16)은 어떤 성능을 보이는가?
• RQ2 MobileNetV2를 완전히 동결 해제하고 분류기를 커스터마이즈하는 것이 (MobileNet-BT) 뇌종양 MRI 이미지의 분류 정확도 및 F1-점수를 향상시키는가?
• RQ3 이 의학 영상 작업에서 데이터 증강 및 학습률 스케줄링이 모델 성능에 어떤 영향을 미치는가?
• RQ4 뇌종양 데이터세트에서 정확도, 정밀도, 재현율, F1-점수 및 손실 측면에서 모델 간 비교는 어떠한가?

주요 결과

• MobileNetV2는 3.5M 파라미터로 정확도 0.8445, F1-점수 0.8431을 달성했다.
• ResNet-18은 11.7M 파라미터로 정확도 0.8659, F1-점수 0.8635를 달성했다.
• EfficientNet-B0은 5.3M 파라미터로 정확도 0.8933, F1-점수 0.8919를 달성했다.
• VGG16은 138M 파라미터로 정확도 0.9497, F1-점수 0.9494를 달성했다.
• MobileNet-BT는 0.9924의 정확도와 0.9924의 F1-점수를 달성하여 모든 기준선을 능가했고; 다른 모델의 최적 결과는 약 에폭 20인 반면 MobileNet-BT는 에폭 10에서 최상의 결과를 보였다.