[论文解读] Brain Abnormality Detection by Deep Convolutional Neural Network

Mina Rezaei, Haojin Yang+1 more|arXiv (Cornell University)|Aug 17, 2017

Brain Tumor Detection and Classification参考文献 13被引用 4

一句话总结

本文提出一种包含七个卷积层和三个全连接层的10层深度卷积神经网络（DCNN），用于将脑部MRI扫描分类为五种类别：健康、高级别胶质瘤、低级别胶质瘤、多发性硬化症和阿尔茨海默病。该方法在多类别脑部异常检测任务中实现了95.7%的分类准确率，展示了深度学习在医学图像分析中的强大性能。

ABSTRACT

In this paper, we describe our method for classification of brain magnetic resonance (MR) images into different abnormalities and healthy classes based on the deep neural network. We propose our method to detect high and low-grade glioma, multiple sclerosis, and Alzheimer diseases as well as healthy cases. Our network architecture has ten learning layers that include seven convolutional layers and three fully connected layers. We have achieved a promising result in five categories of brain images (classification task) with 95.7% accuracy.

研究动机与目标

• 开发一种深度学习模型，能够使用MRI扫描区分多种脑部异常与健康状态。
• 解决从脑部MRI图像中准确且自动分类多种神经系统疾病的技术挑战。
• 通过利用深度神经网络提高诊断效率，减少对人工放射科阅片的依赖。
• 评估自定义DCNN架构在多类别脑部MRI分类任务中的性能。

提出的方法

• 设计了一个包含十个学习层的深度卷积神经网络——七个卷积层和三个全连接层，用于特征提取与分类。
• 网络采用端到端学习，能够自动从原始脑部MRI图像中提取分层特征，无需手工设计特征。
• 模型在包含五种类别诊断标签的脑部MRI图像数据集上采用监督学习进行训练。
• 通过数据增强以及批量归一化和ReLU激活等标准深度学习技术，提升泛化能力与训练稳定性。
• 最终分类层输出五个类别（健康、高级别胶质瘤、低级别胶质瘤、多发性硬化症和阿尔茨海默病）的概率。
• 通过标准反向传播和随机梯度下降算法对网络架构进行优化，以实现收敛。

实验结果

研究问题

• RQ1 深度卷积神经网络能否在高精度下有效分类来自MRI扫描的多种脑部异常？
• RQ2 所提出的DCNN架构在区分不同神经系统疾病脑部MRI图像中的细微差异方面表现如何？
• RQ3 深度学习模型在多大程度上可减少在医学影像中诊断脑部异常时对人工干预的依赖？
• RQ4 网络深度与层结构组成对多类别脑部MRI分析中分类性能有何影响？

主要发现

• 所提出的深度卷积神经网络在五种类别脑部MRI数据集上实现了95.7%的分类准确率。
• 该模型在多种神经系统疾病（包括高级别与低级别胶质瘤、多发性硬化症和阿尔茨海默病）中表现出强大的泛化能力。
• 采用具有多个卷积层的深层架构，使模型能够从原始MRI数据中有效实现自动特征学习。
• 结果表明，深度学习可作为临床影像中脑部异常自动检测的可靠工具。
• 该方法通过消除对手动特征工程的需求并支持端到端学习，优于传统方法。