[论文解读] Detection and Classification of Brain tumors Using Deep Convolutional Neural Networks

Gopinath Balaji, Ranit Sen+1 more|arXiv (Cornell University)|Aug 28, 2022

Brain Tumor Detection and Classification被引用 12

一句话总结

本文提出了一种使用迁移学习的深度学习框架，结合五种卷积神经网络架构（EfficientNetB0、ResNet50、Xception、MobileNetV2 和 VGG16），从 2D MRI 扫描中检测和分类脑肿瘤（胶质瘤、脑膜瘤、垂体瘤和正常）。通过应用数据增强、头骨剥离、偏置校正和去噪处理，该方法在包含 3,264 幅图像的有限数据集上实现了 97.61% 的准确率，其中 EfficientNetB0 因其架构效率和特征提取能力表现最优。

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.

研究动机与目标

• 通过深度学习提升脑肿瘤的早期检测与分类能力，以减少对人工放射科诊断的依赖。
• 解决由于健康组织与异常组织在 MRI 扫描中形态相似而导致脑肿瘤分类准确率低下的挑战。
• 评估多种预训练卷积神经网络架构（如 EfficientNetB0、ResNet50）在小型多样化 MRI 数据集上应用迁移学习的性能。
• 通过全面的预处理（包括头骨剥离、偏置校正和数据增强）提升模型的泛化能力和鲁棒性。
• 提供一种可靠、自动化的系统，以高精度和高召回率区分正常与肿瘤影响的脑组织。

提出的方法

• 采用五种最先进的卷积神经网络架构（EfficientNetB0、ResNet50、Xception、MobileNetV2 和 VGG16）进行迁移学习，并在自建 MRI 数据集上进行微调。
• 实施多步预处理流程，包括头骨剥离以去除非脑部结构、基于 BM3D 的图像去噪、偏置校正以及图像裁剪，以提升输入质量。
• 应用旋转、翻转、缩放和位移等数据增强技术，以增加数据集多样性并缓解在仅 3,264 幅图像的小型训练集上可能出现的过拟合。
• 使用 Keras 和 TensorFlow 训练模型，采用分类交叉熵损失和 Adam 优化器，并结合早停法和学习率调度以改善收敛性。
• 通过标准指标（准确率、精确率、召回率和 F1 分数）评估性能，并利用混淆矩阵和学习曲线进行模型诊断。
• 基于验证准确率和所有类别（包括无肿瘤、胶质瘤、脑膜瘤和垂体瘤）的综合评估，选择表现最佳的模型。

实验结果

研究问题

• RQ1 在小型 MRI 数据集上，哪种预训练卷积神经网络架构在脑肿瘤检测与分类中表现最佳？
• RQ2 数据增强和图像预处理技术如何影响深度学习模型在脑肿瘤分类中的泛化能力和准确率？
• RQ3 迁移学习能否有效弥补医学图像分类任务中训练数据有限的问题？
• RQ4 在分类脑肿瘤类型方面，最先进的架构（如 EfficientNetB0）与传统模型（如 VGG16）之间的性能差距有多大？
• RQ5 图像去噪和头骨剥离在多大程度上提升了 MRI 基础肿瘤检测中模型的鲁棒性和预测准确率？

主要发现

• EfficientNetB0 达到了最高的分类准确率 97.61%，优于所有其他测试的架构。
• MobileNetV2 达到 96.60% 的准确率，尽管参数量更少，仍表现出色，显示出其高效性与泛化能力。
• ResNet50、Xception 和 MobileNetV2 的准确率均超过 96%，表明其在该数据集上具有强大的迁移学习性能。
• VGG16 表现较差，准确率较低，可能由于缺乏跳跃连接且在小型多视角 MRI 数据集上泛化能力差。
• 无肿瘤和垂体瘤类别的预测准确率均为 100%，而脑膜瘤和胶质瘤的分类准确率分别为 98.96% 和 96.77%。
• 混淆矩阵证实所有类别的精确率、召回率和 F1 分数均较高，其中 EfficientNetB0 在所有肿瘤类型中均展现出最佳的整体 F1 分数。