[논문 리뷰] Detection and Classification of Brain tumors Using Deep Convolutional Neural Networks

Gopinath Balaji, Ranit Sen외 1명|arXiv (Cornell University)|2022. 08. 28.

Brain Tumor Detection and Classification인용 수 12

한 줄 요약

이 논문은 2차원 MRI 스캔에서 뇌종양(글리오마, 뇌막종, 시상하부 종양 및 정상)을 검출하고 분류하기 위해 전이 학습을 사용하는 딥러닝 프레임워크를 제안한다. 다섯 가지 CNN 아키텍처(EfficientNetB0, ResNet50, Xception, MobileNetV2, VGG16)를 사용하여 데이터 증강, 두개골 제거, 왜곡 보정 및 노이즈 제거를 적용함으로써, 3,264장의 이미지로 구성된 제한된 데이터셋에서 97.61%의 정확도를 달성하였다. 이 중 EfficientNetB0가 아키텍처의 효율성과 특징 추출 능력 덕분에 다른 모델들보다 뛰어난 성능을 보였다.

ABSTRACT

Abnormal development of tissues in the body as a result of swelling and morbid enlargement is known as a tumor. They are mainly classified as Benign and Malignant. Tumour in the brain is fatal as it may be cancerous, so it can feed on healthy cells nearby and keep increasing in size. This may affect the soft tissues, nerve cells, and small blood vessels in the brain. Hence there is a need to detect and classify them during the early stages with utmost precision. There are different sizes and locations of brain tumors which makes it difficult to understand their nature. The process of detection and classification of brain tumors can prove to be an onerous task even with advanced MRI (Magnetic Resonance Imaging) techniques due to the similarities between the healthy cells nearby and the tumor. In this paper, we have used Keras and Tensorflow to implement state-of-the-art Convolutional Neural Network (CNN) architectures, like EfficientNetB0, ResNet50, Xception, MobileNetV2, and VGG16, using Transfer Learning to detect and classify three types of brain tumors namely - Glioma, Meningioma, and Pituitary. The dataset we used consisted of 3264 2-D magnetic resonance images and 4 classes. Due to the small size of the dataset, various data augmentation techniques were used to increase the size of the dataset. Our proposed methodology not only consists of data augmentation, but also various image denoising techniques, skull stripping, cropping, and bias correction. In our proposed work EfficientNetB0 architecture performed the best giving an accuracy of 97.61%. The aim of this paper is to differentiate between normal and abnormal pixels and also classify them with better accuracy.

연구 동기 및 목표

• 수동 방사선 영상 해석에 의존도를 줄이기 위해 딥러닝을 활용해 뇌종양의 조기 진단 및 분류를 향상시키기 위해.
• MRI 영상에서 정상 조직과 비정상 조직 간의 형태학적 유사성으로 인해 뇌종양 분류 정확도가 낮아지는 문제를 해결하기 위해.
• 소규모이고 다양한 MRI 데이터셋에서 여러 사전 훈련된 CNN 아키텍처(EfficientNetB0, ResNet50 등)의 성능을 전이 학습을 통해 평가하기 위해.
• 두개골 제거, 왜곡 보정 및 데이터 증강을 포함한 종합적인 전처리를 통해 모델의 일반화 능력과 강건성을 향상시키기 위해.
• 정밀도와 재현율이 높은 정밀한 정상 및 종양 유무의 뇌 조직을 구분할 수 있는 신뢰할 수 있는 자동화된 시스템을 제공하기 위해.

제안 방법

• 5개의 최신 CNN 아키텍처(EfficientNetB0, ResNet50, Xception, MobileNetV2, VGG16)를 사용하여 사전 훈련된 모델을 커스텀 MRI 데이터셋에 맞추어 미세조정한 전이 학습 기법을 적용하였다.
• 두개골 제거를 통해 뇌 외부 구조를 제거하고, BM3D 기반의 이미지 노이즈 제거, 왜곡 보정 및 이미지 자르기 등을 포함한 다단계 전처리 파이프라인을 구현하여 입력 품질을 향상시켰다.
• 회전, 반전, 줌, 이동 등의 데이터 증강 기법을 적용하여 데이터셋의 다양성을 증가시키고, 3,264장의 작은 훈련 데이터셋에서의 과적합을 완화하였다.
• Keras와 TensorFlow를 사용하여 모델을 훈련하였으며, 카테고리형 교차 엔트로피 손실 함수와 Adam 옵timizer를 사용하였고, 조기 정지 및 학습률 스케줄링을 통해 수렴을 향상시켰다.
• 표준 평가 지표인 정확도, 정밀도, 재현율, F1 점수를 사용하여 성능을 평가하였으며, 혼동 행렬과 학습 곡선을 활용해 모델 진단을 수행하였다.
• 검증 정확도와 모든 클래스(정상, 종양 없음, 글리오마, 뇌막종, 시상하부 종양)에 대한 종합적인 평가를 바탕으로 최고 성능을 보인 모델을 선정하였다.

실험 결과

연구 질문

• RQ1 소규모 MRI 데이터셋에서 뇌종양 검출 및 분류에 가장 우수한 성능을 보이는 사전 훈련된 CNN 아키텍처는 무엇인가?
• RQ2 데이터 증강 및 이미지 전처리 기법은 뇌종양 분류에서 딥러닝 모델의 일반화 능력과 정확도에 어떤 영향을 미치는가?
• RQ3 전이 학습은 의료 영상 분류 과제에서 제한된 훈련 데이터를 보완하는 데 효과적으로 작용할 수 있는가?
• RQ4 EfficientNetB0와 같은 최신 아키텍처와 VGG16과 같은 전통적인 모델 간의 뇌종양 유형 분류 성능 격은 어느 정도인가?
• RQ5 이미지 노이즈 제거 및 두개골 제거 기법이 MRI 기반 종양 검출에서 모델의 강건성과 예측 정확도를 어느 정도 향상시키는가?

주요 결과

• EfficientNetB0가 97.61%의 최고 분류 정확도를 기록하여 테스트된 모든 아키텍처보다 뛰어난 성능을 보였다.
• MobileNetV2는 파라미터 수가 적음에도 불구하고 96.60%의 정확도를 달성하여 효율성과 일반화 능력이 뛰어나다는 것을 입증하였다.
• ResNet50, Xception, MobileNetV2는 모두 96% 이상의 정확도를 기록하여 이 데이터셋에서 강력한 전이 학습 성능을 보였다.
• VGG16는 정확도가 낮게 나타났으며, 스킵 연결이 없고 소규모 다각도 MRI 데이터셋에서 일반화 능력이 떨어지기 때문일 것으로 추정된다.
• 정상 및 시상하부 종양 클래스는 모두 100%의 예측 정확도를 기록하였고, 뇌막종과 글리오마의 경우 각각 98.96%와 96.77%의 정확도로 분류되었다.
• 혼동 행렬을 통해 모든 클래스에서 높은 정밀도, 재현율 및 F1 점수를 확인하였으며, 특히 EfficientNetB0가 모든 종양 유형에서 가장 높은 종합 F1 점수를 기록하였다.