[论文解读] Predictive modeling of brain tumor: A Deep learning approach

Priyansh Saxena, Akshat Maheshwari+1 more|arXiv (Cornell University)|Nov 6, 2019

Brain Tumor Detection and Classification被引用 4

一句话总结

本研究提出一种基于迁移学习的深度学习方法，使用预训练的卷积神经网络（VGG-16、Inception-V3 和 ResNet-50）对脑部 MRI 扫描图像进行恶性或良性肿瘤分类。ResNet-50 在各项关键指标中表现最佳，准确率达到 95%，且假阴性率为零，优于其他模型在 F1 分数、AUC-ROC 和 Cohen’s kappa 指标上的表现。

ABSTRACT

Image processing concepts can visualize the different anatomy structure of the human body. Recent advancements in the field of deep learning have made it possible to detect the growth of cancerous tissue just by a patient's brain Magnetic Resonance Imaging (MRI) scans. These methods require very high accuracy and meager false negative rates to be of any practical use. This paper presents a Convolutional Neural Network (CNN) based transfer learning approach to classify the brain MRI scans into two classes using three pre-trained models. The performances of these models are compared with each other. Experimental results show that the Resnet-50 model achieves the highest accuracy and least false negative rates as 95% and zero respectively. It is followed by VGG-16 and Inception-V3 model with an accuracy of 90% and 55% respectively.

研究动机与目标

• 开发一种准确且可靠的自动化系统，用于通过 MRI 扫描实现脑肿瘤的早期检测。
• 解决临床诊断中对低假阴性率的迫切需求，因为将恶性肿瘤误判为良性可能造成致命后果。
• 评估在脑肿瘤 MRI 数据集上，使用三种预训练卷积神经网络架构（VGG-16、Inception-V3 和 ResNet-50）进行迁移学习的性能。
• 通过数据增强和裁剪归一化技术提高模型泛化能力并减少过拟合。
• 基于全面的性能指标，识别最适合在临床环境中实际部署的深度学习模型。

提出的方法

• 使用裁剪归一化对 MRI 扫描图像进行预处理，以去除暗角并统一图像格式。
• 通过 15° 旋转实施数据增强，以增加训练集的多样性并提升模型泛化能力。
• 利用迁移学习对三种预训练的卷积神经网络模型（VGG-16、Inception-V3 和 ResNet-50）进行微调，以实现肿瘤分类。
• 在 Kaggle 云 GPU 环境中，使用 2 个 GPU 核心和 13 GB 内存，将每个模型训练 100 个周期。
• 使用多种指标评估模型性能：准确率、F1 分数、AUC-ROC、Cohen’s kappa (κ) 和假阴性率。
• 在训练过程中使用检查点技术，以监控并比较训练与验证损失及准确率曲线。

实验结果

研究问题

• RQ1 在脑肿瘤 MRI 扫描图像分类中，哪种预训练卷积神经网络模型——VGG-16、Inception-V3 或 ResNet-50——能达到最高的分类准确率？
• RQ2 在临床诊断中至关重要的假阴性率方面，各模型表现如何比较？
• RQ3 在有限的脑肿瘤 MRI 数据集上，迁移学习结合数据增强在多大程度上提升了模型性能？
• RQ4 F1 分数、AUC-ROC 和 Cohen’s kappa 系数如何反映各模型预测的可靠性和鲁棒性？
• RQ5 为何 Inception-V3 的表现显著劣于其他模型？这又对医学影像中模型适用性的选择意味着什么？

主要发现

• ResNet-50 在测试集上达到最高的准确率 95%，显著优于 VGG-16（90%）和 Inception-V3（55%）。
• ResNet-50 在测试集上实现了零假阴性率，表明未将任何恶性肿瘤误分类为良性。
• ResNet-50 的 F1 分数最高（0.952），AUC-ROC 达到 0.95，反映出精确率与召回率之间良好的平衡。
• Cohen’s kappa 系数在 ResNet-50 中最高（0.90），表明其预测结果与随机结果相比具有显著的一致性，而 VGG-16 为 0.80，Inception-V3 仅为 0.10。
• Inception-V3 显示出过拟合迹象，性能仅略优于随机分类，其 AUC-ROC 为 0.55，F1 分数为 0.689。
• 尽管训练时间相近（约 2150 秒），ResNet-50 展现出更优的收敛性和泛化能力，其训练与验证曲线均保持稳定。