[논문 리뷰] Machine learning approach to brain tumor detection and classification

Alice Oh, Inyoung Noh외 6명|arXiv (Cornell University)|2024. 10. 16.

Brain Tumor Detection and ClassificationNeuroscience인용 수 3

한 줄 요약

이 연구는 뇌 MRI 영상에서 뇌종양을 탐지하고 분류하기 위해 여러 기계학습 모델을 평가하며, 이중 및 다중 분류 설정에서 모두 컨볼루션 신경망(CNN)이 다른 모델보다 뛰어난 성능을 보임을 발견했다. CNN은 정상 케이스에서 97.14%의 정확도를 기록했으며, 정상, 겨드랑이종양, 뇌막종, 피tcuitary 종양의 네 가지 범주에서 강력한 성능을 보였다.

ABSTRACT

Brain tumor detection and classification are critical tasks in medical image analysis, particularly in early-stage diagnosis, where accurate and timely detection can significantly improve treatment outcomes. In this study, we apply various statistical and machine learning models to detect and classify brain tumors using brain MRI images. We explore a variety of statistical models including linear, logistic, and Bayesian regressions, and the machine learning models including decision tree, random forest, single-layer perceptron, multi-layer perceptron, convolutional neural network (CNN), recurrent neural network, and long short-term memory. Our findings show that CNN outperforms other models, achieving the best performance. Additionally, we confirm that the CNN model can also work for multi-class classification, distinguishing between four categories of brain MRI images such as normal, glioma, meningioma, and pituitary tumor images. This study demonstrates that machine learning approaches are suitable for brain tumor detection and classification, facilitating real-world medical applications in assisting radiologists with early and accurate diagnosis.

연구 동기 및 목표

• MRI 영상에서 뇌종양을 탐지하고 분류하기 위한 통계적 및 기계학습 모델을 비교하기 위해.
• 이중 및 다중 분류 작업 전반에서 모델 성능을 평가하기 위해.
• MRI 데이터를 활용한 뇌종양의 조기에 정확하게 진단할 수 있는 가장 효과적인 모델을 특정하기 위해.
• 특히 침습성 겨드랑이종양을 탐지하는 데에서 현재 접근 방식의 한계를 평가하기 위해.
• 기계학습을 통해 방사선의학 전문가들이 자동화되고 신뢰할 수 있는 진단 도구를 지원하기 위해.

제안 방법

• 공개된 캐글 데이터셋을 활용하여 총 3,264장의 뇌 MRI 영상을 확보하였으며, 이는 훈련용 2,870장과 테스트용 394장으로 분할되었다.
• 이미지를 32×32 픽셀로 크기 조정하고 픽셀 강도를 [0, 1] 범위로 정규화하여 전처리를 수행하였다.
• 11개의 모델을 훈련하고 비교하였으며, 선형 회귀, 로지스틱 회귀, 베이지안 회귀, 결정 트리, 랜덤 포레스트, 서포트 벡터 머신(SVM), 단일층 및 다층 퍼셉트론, CNN, 순환 신경망(RNN), 장기 순환 신경망(LSTM)을 포함하였다.
• 표준 평가 지표를 사용하여 각 클래스에 대해 정확도, 정밀도, 재현도, F1 점수를 측정하였다.
• 원시 MRI 데이터로부터의 계층적 특징 학습을 통해 CNN의 잠재적 특징 학습 능력을 활용함으로써 전이 학습 원리를 암묵적으로 적용하였다.
• 정상, 겨드랑이종양, 뇌막종, 피tcuitary 종양의 네 가지 범주에 대해 다중 분류를 수행하였다.

실험 결과

연구 질문

• RQ1 MRI 영상에서 뇌종양을 탐지하고 분류하는 데 가장 우수한 기계학습 모델은 무엇인가?
• RQ2 다중 분류 뇌종양 분류에서 CNN은 전통적인 통계적 및 기계학습 모델에 비해 어떤 성능을 보이는가?
• RQ3 겨드랑이종양을 분류하는 데의 과제는 무엇이며, 왜 성능이 낮은가?
• RQ4 딥러닝 모델인 CNN은 정상 뇌 조직과 여러 종류의 뇌종양을 효과적으로 구별할 수 있는가?
• RQ5 정밀도 및 재현도 측면에서 다양한 종양 유형 간에 모델 성능 지표는 어떻게 달라지는가?

주요 결과

• 컨볼루션 신경망(CNN)은 다중 분류 작업에서 테스트 세트에서 전체 정확도가 97.14%로 가장 높았다.
• CNN은 정상(97.14% 재현도), 뇌막종(93.91% 재현도), 피tcuitary 종양(81.08% 재현도) 카테고리에서 강력한 성능을 보였다.
• 겨드랑이종양 분류에 대해 CNN은 정밀도 86.34%와 F1 점수 31.15%를 기록하여 이 종양 유형을 탐지하는 데 상당한 과제가 있음을 시사했다.
• 겨드랑이종양 분류는 가장 낮은 재현도(19.00%)와 F1 점수(31.15%)를 보이며, 건강한 조직과 융합된 침습성 종양을 식별하는 데의 어려움을 드러냈다.
• 로지스틱 회귀 및 랜덤 포레스트와 같은 전통적 모델은 중간 수준의 성능를 보였지만, 딥러닝 모델에 비해 뒤처졌다.
• 이 연구는 CNN이 특히 정의가 명확한 종양인 뇌막종과 피tcuitary 종양에 대해 다중 분류 뇌종양 분류에 매우 효과적임을 확인한다.