[论文解读] Brain tumor multi classification and segmentation in MRI images using deep learning

Belal Amin, Romario Sameh Samir+5 more|arXiv (Cornell University)|Apr 20, 2023

Brain Tumor Detection and ClassificationNeuroscience被引用 3

一句话总结

本研究提出了一种结合 EfficientNetB1 用于多类别脑肿瘤分类（脑膜瘤、胶质瘤、垂体腺瘤、无肿瘤）与 U-Net 用于 MRI 扫描中精确肿瘤分割的双深度学习框架。该模型在分类任务中达到 99.39% 的准确率，Dice 系数为 0.9977，IoU 达到 0.9981，展现出优异的性能与自动化诊断和治疗规划的临床潜力。

ABSTRACT

This study proposes a deep learning model for the classification and segmentation of brain tumors from magnetic resonance imaging (MRI) scans. The classification model is based on the EfficientNetB1 architecture and is trained to classify images into four classes: meningioma, glioma, pituitary adenoma, and no tumor. The segmentation model is based on the U-Net architecture and is trained to accurately segment the tumor from the MRI images. The models are evaluated on a publicly available dataset and achieve high accuracy and segmentation metrics, indicating their potential for clinical use in the diagnosis and treatment of brain tumors.

研究动机与目标

• 开发一种自动化深度学习系统，用于将脑肿瘤分类为四种类别：脑膜瘤、胶质瘤、垂体腺瘤和无肿瘤。
• 实现在 MRI 扫描中对肿瘤区域的精确分割，以支持准确的诊断与治疗规划。
• 通过结合高精度分类与基于预训练和专用架构的最先进分割方法，改进现有方法。
• 在公开数据集上验证模型性能，证明其鲁棒性与临床适用性。

提出的方法

• 将预训练的 EfficientNetB1 作为分类模型的主干网络，基于 MRI 数据进行微调，采用全局平均池化与两个全连接层。
• 采用具有编码器-解码器结构与跳跃连接的 U-Net 架构，实现肿瘤分割的高精度。
• 使用二元交叉熵损失与 Dice 损失，结合 Adam 优化器与早停策略训练分割模型。
• 通过数据增强减少过拟合，提升训练过程中的泛化能力。
• 通过网格搜索优化超参数，包括 0.0001 的初始学习率、32 的批量大小与 0.0001 的权重衰减。
• 在 BraTS 2018 数据集上对 U-Net 进行 100 个周期的训练，采用基于验证损失的早停策略。

实验结果

研究问题

• RQ1 预训练的 EfficientNetB1 模型是否能在 MRI 扫描中对四种不同类型的脑肿瘤实现高精度分类？
• RQ2 基于 U-Net 的架构是否能生成具有高 Dice 与 IoU 分数的高精度肿瘤分割掩膜？
• RQ3 分类与分割模型的集成在多大程度上提升了诊断的可靠性与临床实用性？
• RQ4 数据增强与超参数调优在多大程度上提升了模型的泛化能力与性能？

主要发现

• 分类模型在 MRI 数据集上测试准确率达到 99.39%，表明其在区分四类肿瘤方面表现优异。
• U-Net 分割模型在测试集上获得 0.9977 的 Dice 系数与 0.9981 的交并比（IoU）分数。
• 该模型展现出高度的鲁棒性与泛化能力，得益于数据增强与早停策略的结合。
• EfficientNetB1 与 U-Net 的集成提供了一种计算高效、端到端的解决方案，适用于分类与分割任务。
• 结果优于许多现有模型，尤其在分割指标方面表现突出，凸显了该模型的临床潜力。