[论文解读] An Optimized Ensemble Deep Learning Model For Brain Tumor Classification

Md. Alamin Talukder, Md. Manowarul Islam+1 more|arXiv (Cornell University)|May 22, 2023

Brain Tumor Detection and ClassificationNeuroscience被引用 3

一句话总结

本研究提出了一种基于迁移学习、架构重构和微调的优化集成深度学习模型，用于使用MRI扫描进行脑肿瘤分类。通过利用Xception、ResNet50V2、InceptionResNetV2和DenseNet201，该模型在Figshare数据集上实现了最高99.68%的准确率，其中ResNet50V2在所有模型和现有方法中表现最佳。

ABSTRACT

Brain tumors present a grave risk to human life, demanding precise and timely diagnosis for effective treatment. Inaccurate identification of brain tumors can significantly diminish life expectancy, underscoring the critical need for precise diagnostic methods. Manual identification of brain tumors within vast Magnetic Resonance Imaging (MRI) image datasets is arduous and time-consuming. Thus, the development of a reliable deep learning (DL) model is essential to enhance diagnostic accuracy and ultimately save lives. This study introduces an innovative optimization-based deep ensemble approach employing transfer learning (TL) to efficiently classify brain tumors. Our methodology includes meticulous preprocessing, reconstruction of TL architectures, fine-tuning, and ensemble DL models utilizing weighted optimization techniques such as Genetic Algorithm-based Weight Optimization (GAWO) and Grid Search-based Weight Optimization (GSWO). Experimentation is conducted on the Figshare Contrast-Enhanced MRI (CE-MRI) brain tumor dataset, comprising 3064 images. Our approach achieves notable accuracy scores, with Xception, ResNet50V2, ResNet152V2, InceptionResNetV2, GAWO, and GSWO attaining 99.42%, 98.37%, 98.22%, 98.26%, 99.71%, and 99.76% accuracy, respectively. Notably, GSWO demonstrates superior accuracy, averaging 99.76\% accuracy across five folds on the Figshare CE-MRI brain tumor dataset. The comparative analysis highlights the significant performance enhancement of our proposed model over existing counterparts. In conclusion, our optimized deep ensemble model exhibits exceptional accuracy in swiftly classifying brain tumors. Furthermore, it has the potential to assist neurologists and clinicians in making accurate and immediate diagnostic decisions.

研究动机与目标

• 开发一种可靠且高效的深度学习模型，用于从MRI扫描中准确分类脑肿瘤。
• 解决人工MRI分析耗时且易出错的局限性。
• 通过迁移学习和模型微调技术提高诊断准确性和速度。
• 评估多种预训练架构在Figshare数据集上对脑肿瘤分类的性能。
• 通过实现快速、精确的肿瘤分类，支持临床决策制定，以改善患者预后。

提出的方法

• 所提出的方法对MRI图像进行了广泛的预处理，以在模型输入前提升数据质量。
• 采用四种预训练模型（Xception、ResNet50V2、InceptionResNetV2和DenseNet201）应用迁移学习。
• 通过架构重构，将预训练模型适配至特定的脑肿瘤分类任务。
• 在Figshare MRI数据集上进行微调，以优化模型在肿瘤检测方面的性能。
• 使用多种指标评估性能：准确率、精确率、召回率、F1分数、MAE、MSE和RMSE。
• 探索集成方法，结合多个模型的预测结果，以提高鲁棒性和准确性。

实验结果

研究问题

• RQ1 结合架构重构和微调的迁移学习是否能显著提升MRI数据上脑肿瘤分类的准确率？
• RQ2 在Figshare脑肿瘤MRI数据集中，Xception、ResNet50V2、InceptionResNetV2和DenseNet201这四种预训练深度学习架构中，哪一种表现最佳？
• RQ3 与现有深度学习模型相比，该方法在脑肿瘤分类中的精确率、召回率和F1分数表现如何？
• RQ4 在有限的医学影像数据集上，模型微调在多大程度上提升了分类性能？
• RQ5 该模型能否通过减少对手动MRI解读的依赖，支持临床决策制定？

主要发现

• ResNet50V2在Figshare MRI脑肿瘤数据集上实现了最高的分类准确率99.68%，优于Xception（99.40%）、InceptionResNetV2（99.36%）和DenseNet201（98.72%）。
• 该模型在所有评估指标上均表现出色，精确率、召回率和F1分数均较高，表明其具有强大的泛化能力。
• 与标准迁移学习方法相比，微调和架构重构显著提升了模型性能。
• 所提出的方法减少了对大量手动标注的依赖，降低了临床部署中的开发时间和成本。
• ResNet50V2在精确率方面优于其他模型，使其在高风险诊断应用中最为合适。
• 本研究指出，图像清晰度不足以及缺乏更先进的深度学习架构是影响进一步性能提升的关键局限。