[논문 리뷰] Explainable Cost-Sensitive Deep Neural Networks for Brain Tumor Detection from Brain MRI Images considering Data Imbalance

Md. Tanvir Rouf Shawon, G. M. Shahariar외 2명|arXiv (Cornell University)|2023. 08. 01.

Brain Tumor Detection and Classification인용 수 10

한 줄 요약

이 논문은 CNN 및 사전 학습 모델(ResNet50, InceptionV3, EfficientNetB0, NASNetMobile)을 이용한 MRI 영상에서 뇌종양 탐지에 비용-민감 학습을 적용하는 파이프라인과 여러 설명 가능 방법(Grad-CAM 변형, LIME)을 제시한다. 균형 데이터셋에서 최첨단 정확도를 보고하고, 비용-민감 변형으로 불균형 데이터에서 성능이 향상된다.

ABSTRACT

This paper presents a research study on the use of Convolutional Neural Network (CNN), ResNet50, InceptionV3, EfficientNetB0 and NASNetMobile models to efficiently detect brain tumors in order to reduce the time required for manual review of the report and create an automated system for classifying brain tumors. An automated pipeline is proposed, which encompasses five models: CNN, ResNet50, InceptionV3, EfficientNetB0 and NASNetMobile. The performance of the proposed architecture is evaluated on a balanced dataset and found to yield an accuracy of 99.33% for fine-tuned InceptionV3 model. Furthermore, Explainable AI approaches are incorporated to visualize the model's latent behavior in order to understand its black box behavior. To further optimize the training process, a cost-sensitive neural network approach has been proposed in order to work with imbalanced datasets which has achieved almost 4% more accuracy than the conventional models used in our experiments. The cost-sensitive InceptionV3 (CS-InceptionV3) and CNN (CS-CNN) show a promising accuracy of 92.31% and a recall value of 1.00 respectively on an imbalanced dataset. The proposed models have shown great potential in improving tumor detection accuracy and must be further developed for application in practical solutions. We have provided the datasets and made our implementations publicly available at - https://github.com/shahariar-shibli/Explainable-Cost-Sensitive-Deep-Neural-Networks-for-Brain-Tumor-Detection-from-Brain-MRI-Images

연구 동기 및 목표

• 자동화된 뇌종양 탐지를 통해 MRI 보고서의 수동 검토 시간을 줄이는 것을 목표로 한다.
• 균형 및 불균형 데이터셋에서 CNN 및 사전 학습된 CNN 아키텍처를 뇌종양 분류에 대해 평가한다.
• 데이터 불균형을 다루기 위해 비용-민감 학습을 도입하고 표준 모델과 비교한다.
• 다양한 설명 가능 인공지능 방법을 적용해 모델 결정의 시각화와 해석을 제공한다.

제안 방법

• 뇌 MRI 데이터셋에서 뇌종양 탐지를 위해 CNN, ResNet50, InceptionV3, EfficientNetB0, NASNetMobile를 평가한다.
• 데이터 불균형 문제를 해결하기 위해 비용-민감 학습을 적용하고 표준 학습과 비교한다.
• 모델을 224x224 입력 크기로 파인 튜닝/사전 학습하고 학습-검증-테스트를 80/10/10 비율로 분할한다.
• Grad-CAM, Grad-CAM++, Saliency Map, SmoothGrad, Score-CAM, Faster Score-CAM을 이용한 gradient 기반 설명과 LIME을 활용한 모델-독립적 설명을 제공한다.
• 정확도, 정밀도, 재현율, F1-점수, 특이도 등의 성능을 평가한다.
• 드롭아웃 및 학습률을 포함한 데이터 전처리 및 모델 아키텍처 세부 정보를 실험 설정의 일부로 제공한다.

실험 결과

연구 질문

• RQ1 표준 CNN과 사전 학습된 CNN이 균형 잡힌 뇌 MRI 데이터셋에서 종양 탐지에 대해 어떤 성능을 보이는가?
• RQ2 비용-민감 학습이 표준 학습에 비해 불균형한 뇌종양 데이터에서 성능을 개선할 수 있는가?
• RQ3 Grad-CAM, LIME 등 설명 가능 AI 기법이 이러한 모델의 뇌종양 예측을 해석하는 데 얼마나 효과적인가?
• RQ4 InceptionV3 및 CNN과 같은 모델에 비용-민감 접근 방식을 적용할 때 정확도/재현율에 어떤 영향이 있는가?

주요 결과

• InceptionV3는 균형 데이터셋에서 미세 조정을 거친 후 99.33%의 정확도를 달성한다.
• 비용-민감 InceptionV3(CS-InceptionV3)는 불균형 데이터셋에서 92.31% 정확도, CS-CNN은 92.31% 정확도와 재현율 1.00을 달성한다.
• 비용-민감 접근은 연구에 사용된 일반 모델에 비해 불균형 데이터에서 약 4% 정도 더 높은 정확도를 제공한다.
• 설명 가능성 기법(Grad-CAM, Grad-CAM++, Saliency Map, SmoothGrad, Score-CAM, Faster Score-CAM)을 이용해 CNN을 해석했고 LIME은 사전 학습된 모델을 설명하는 데 사용했다.