[논문 리뷰] Brain Cancer Segmentation Using YOLOv5 Deep Neural Network

Sudipto Paul, Md Taimur Ahad외 1명|arXiv (Cornell University)|2022. 12. 27.

Brain Tumor Detection and Classification인용 수 11

한 줄 요약

이 논문은 뇌 MRI 영상에서 자동 뇌종양 검출을 위한 YOLOv5 기반 인스턴스 세그멘테이션 프레임워크를 제안하며, 뇌종양 세 가지 유형—Meningioma, Pituitary, Glioma—를 분류한다. 모델은 10코어 GPU에서 효율적인 추론과 경쟁력 있는 정확도를 달성하여 YOLOv5가 조기 진단에서 의료 영상 세그멘테이션에 효과적임을 입증한다.

ABSTRACT

An expansion of aberrant brain cells is referred to as a brain tumor. The brain's architecture is extremely intricate, with several regions controlling various nervous system processes. Any portion of the brain or skull can develop a brain tumor, including the brain's protective coating, the base of the skull, the brainstem, the sinuses, the nasal cavity, and many other places. Over the past ten years, numerous developments in the field of computer-aided brain tumor diagnosis have been made. Recently, instance segmentation has attracted a lot of interest in numerous computer vision applications. It seeks to assign various IDs to various scene objects, even if they are members of the same class. Typically, a two-stage pipeline is used to perform instance segmentation. This study shows brain cancer segmentation using YOLOv5. Yolo takes dataset as picture format and corresponding text file. You Only Look Once (YOLO) is a viral and widely used algorithm. YOLO is famous for its object recognition properties. You Only Look Once (YOLO) is a popular algorithm that has gone viral. YOLO is well known for its ability to identify objects. YOLO V2, V3, V4, and V5 are some of the YOLO latest versions that experts have published in recent years. Early brain tumor detection is one of the most important jobs that neurologists and radiologists have. However, it can be difficult and error-prone to manually identify and segment brain tumors from Magnetic Resonance Imaging (MRI) data. For making an early diagnosis of the condition, an automated brain tumor detection system is necessary. The model of the research paper has three classes. They are respectively Meningioma, Pituitary, Glioma. The results show that, our model achieves competitive accuracy, in terms of runtime usage of M2 10 core GPU.

연구 동기 및 목표

• MRI 영상에서 뇌종양의 조기 검출을 위한 자동화된 딥러닝 기반 시스템을 개발하기 위해.
• 수동 세그멘테이션의 과제를 해결하기 위해, 이는 시간이 많이 소요되고 인간의 실수에 취약하기 때문이다.
• 실시간 객체 검출 모델인 YOLOv5를 적용하여 의료 영상에서 뇌종양의 인스턴스 세그멘테이션을 수행하기 위해.
• Meningioma, Pituitary, Glioma 세 가지 다른 종양 유형 간의 모델 성능을 평가하기 위해.
• 임상 진단에서 정확하고 효율적인 뇌종양 세그멘테이션을 위해 YOLOv5의 가능성을 입증하기 위해.

제안 방법

• 모델는 YOLOv5를 사용하며, 이는 단일 단계 객체 검출 아키텍처로 MRI 영상에서의 인스턴스 세그멘테이션에 적응된 것이다.
• 입력 데이터는 YOLO 형식(이미지 + 텍스트 애너테이션)의 MRI 영상 및 해당 레이블 파일로 구성된다.
• 네트워크는 Meningioma, Pituitary, Glioma 세 종류의 종양 클래스로 구성된 데이터셋에서 훈련된다.
• 동일한 클래스 내에서도 각 검출된 종양 인스턴스에 고유한 ID를 할당하여 인스턴스 세그멘테이션을 달성한다.
• 훈련은 런타임 효율성과 모델 추론 속도를 중시하여 10코어 GPU에서 수행된다.
• 이중 단계 파이프라인 없이 종단 간 검출 및 세그멘테이션을 위한 YOLOv5 아키텍처의 장점을 활용한다.

실험 결과

연구 질문

• RQ1 YOLOv5는 MRI 영상에서 뇌종양의 인스턴스 세그멘테이션에 효과적으로 적응될 수 있는가?
• RQ2 YOLOv5 기반 모델은 세 가지 다른 종류의 뇌종양을 분류하고 세그멘테이션하는 데 어떻게 성능을 내는가?
• RQ3 10코어 GPU에서 임상 적용을 위한 모델의 추론 속도와 정확도는 어떠한가?
• RQ4 효율성과 성능 측면에서 전통적인 이중 단계 세그멘테이션 파이프라인에 비해 모델은 어떻게 비교되는가?
• RQ5 YOLOv5는 의료 영상에 대해 실시간 추론을 유지하면서도 경쟁력 있는 세그멘테이션 정확도를 달성할 수 있는가?

주요 결과

• YOLOv5 모델은 Meningioma, Pituitary, Glioma 세 종류의 뇌종양에 대해 경쟁력 있는 세그멘테이션 정확도를 달성한다.
• 모델은 10코어 GPU에서 실시간 임상 사용에 적합한 효율적인 추론 성능을 보여준다.
• 인스턴스 세그멘테이션은 성공적으로 수행되었으며, 동일한 클래스 내에서도 각 종양 인스턴스에 고유한 ID가 할당되었다.
• 수동 세그멘테이션에 대한 의존도가 감소하여 조기 뇌종양 진단을 위한 확장 가능한 솔루션을 제공한다.
• 결과는 YOLOv5가 신경과 응용 분야에서 빠르고 정확한 의료 영상 세그멘테이션 도구로서의 가능성을 확인한다.