[論文レビュー] An Optimized Ensemble Deep Learning Model For Brain Tumor Classification

Md. Alamin Talukder, Md. Manowarul Islam+1 more|arXiv (Cornell University)|May 22, 2023

Brain Tumor Detection and ClassificationNeuroscience被引用数 3

ひとこと要約

本研究では、転移学習、アーキテクチャ再構築、およびMRIスキャンにおけるファインチューニングを用いて、脳腫瘍分類の最適化されたアンサンブル深層学習モデルを提案する。Xception、ResNet50V2、InceptionResNetV2、DenseNet201を活用することで、Figshareデータセットを用いて最高99.68%の正確性を達成し、ResNet50V2が他のモデルや既存手法を上回った。

ABSTRACT

Brain tumors present a grave risk to human life, demanding precise and timely diagnosis for effective treatment. Inaccurate identification of brain tumors can significantly diminish life expectancy, underscoring the critical need for precise diagnostic methods. Manual identification of brain tumors within vast Magnetic Resonance Imaging (MRI) image datasets is arduous and time-consuming. Thus, the development of a reliable deep learning (DL) model is essential to enhance diagnostic accuracy and ultimately save lives. This study introduces an innovative optimization-based deep ensemble approach employing transfer learning (TL) to efficiently classify brain tumors. Our methodology includes meticulous preprocessing, reconstruction of TL architectures, fine-tuning, and ensemble DL models utilizing weighted optimization techniques such as Genetic Algorithm-based Weight Optimization (GAWO) and Grid Search-based Weight Optimization (GSWO). Experimentation is conducted on the Figshare Contrast-Enhanced MRI (CE-MRI) brain tumor dataset, comprising 3064 images. Our approach achieves notable accuracy scores, with Xception, ResNet50V2, ResNet152V2, InceptionResNetV2, GAWO, and GSWO attaining 99.42%, 98.37%, 98.22%, 98.26%, 99.71%, and 99.76% accuracy, respectively. Notably, GSWO demonstrates superior accuracy, averaging 99.76\% accuracy across five folds on the Figshare CE-MRI brain tumor dataset. The comparative analysis highlights the significant performance enhancement of our proposed model over existing counterparts. In conclusion, our optimized deep ensemble model exhibits exceptional accuracy in swiftly classifying brain tumors. Furthermore, it has the potential to assist neurologists and clinicians in making accurate and immediate diagnostic decisions.

研究の動機と目的

• MRIスキャンからの正確で効率的な脳腫瘍分類のための信頼性の高い深層学習モデルの開発。
• 時間とミスが生じやすい手動のMRI解析の限界を解消すること。
• 転移学習とモデルファインチューニング技術を用いて、診断の正確性とスピードを向上させること。
• Figshareデータセットからの脳腫瘍分類において、複数の事前学習済みアーキテクチャの性能を評価すること。
• 迅速かつ正確な腫瘍分類を可能にすることで、臨床的意思決定を支援し、患者の予後を改善すること。

提案手法

• 提案手法は、モデル入力前のデータ品質を向上させるための広範なMRI画像の前処理を統合する。
• 転移学習は、Xception、ResNet50V2、InceptionResNetV2、DenseNet201という4つの事前学習済みモデルを用いて実施する。
• アーキテクチャ再構築を実施し、事前学習済みモデルを特定の脳腫瘍分類タスクに適合させる。
• 図書館データセット（Figshare）上でファインチューニングを実施し、腫瘍検出のためのモデル性能を最適化する。
• 正確性、適合率、再現率、F1スコア、MAE、MSE、RMSEといった複数の指標を用いて性能を評価する。
• 予測の統合によるより高い耐性と正確性を実現するため、アンサンブルアプローチを検討する。

実験結果

リサーチクエスチョン

• RQ1 アーキテクチャ再構築とファインチューニングを伴う転移学習が、MRIデータにおける脳腫瘍分類の正確性を顕著に向上させることができるか？
• RQ2 Xception、ResNet50V2、InceptionResNetV2、DenseNet201の中から、どの事前学習済み深層学習アーキテクチャがFigshare脳腫瘍MRIデータセットで最も優れた性能を示すか？
• RQ3 本研究で提案する手法は、脳腫瘍分類における適合率、再現率、F1スコアの観点から、既存の深層学習モデルと比較してどのように差をつけるか？
• RQ4 ファインチューニングが、限られた医療画像データセットにおける分類性能をどの程度向上させるか？
• RQ5 本研究で提案するモデルは、手動のMRI解釈に依存するのを減らすことで、臨床的意思決定を支援できるか？

主な発見

• ResNet50V2は、Figshare MRI脳腫瘍データセットで99.68%の最高の分類正確性を達成し、Xception（99.40%）、InceptionResNetV2（99.36%）、DenseNet201（98.72%）を上回った。
• モデルは全評価指標において優れた性能を示し、高い適合率、再現率、F1スコアを達成しており、汎化性能の高さが裏付けられた。
• ファインチューニングとアーキテクチャ再構築は、標準的な転移学習アプローチと比較して、モデル性能を顕著に向上させた。
• 本研究の手法は、広範な手動アノテーションの必要性を低減し、臨床応用における開発時間とコストを削減した。
• ResNet50V2は他のモデルと比較して優れた適合率を示し、特に高リスクの診断応用に最も適していた。
• 本研究では、より明確な画像やより高度な深層学習アーキテクチャの欠如が、さらなる性能向上を妨げる主な要因であると特定した。