[论文解读] Explainable Cost-Sensitive Deep Neural Networks for Brain Tumor Detection from Brain MRI Images considering Data Imbalance

Md. Tanvir Rouf Shawon, G. M. Shahariar+2 more|arXiv (Cornell University)|Aug 1, 2023

Brain Tumor Detection and Classification被引用 10

一句话总结

该论文提出一个管道，使用CNN和预训练模型（ResNet50、InceptionV3、EfficientNetB0、NASNetMobile），结合成本敏感学习来检测MRI影像中的脑肿瘤，并使用多种可解释性方法（Grad-CAM变体、LIME）。它在平衡数据集上报告了最先进的准确率，并在不平衡数据上通过成本敏感变体提升性能。

ABSTRACT

This paper presents a research study on the use of Convolutional Neural Network (CNN), ResNet50, InceptionV3, EfficientNetB0 and NASNetMobile models to efficiently detect brain tumors in order to reduce the time required for manual review of the report and create an automated system for classifying brain tumors. An automated pipeline is proposed, which encompasses five models: CNN, ResNet50, InceptionV3, EfficientNetB0 and NASNetMobile. The performance of the proposed architecture is evaluated on a balanced dataset and found to yield an accuracy of 99.33% for fine-tuned InceptionV3 model. Furthermore, Explainable AI approaches are incorporated to visualize the model's latent behavior in order to understand its black box behavior. To further optimize the training process, a cost-sensitive neural network approach has been proposed in order to work with imbalanced datasets which has achieved almost 4% more accuracy than the conventional models used in our experiments. The cost-sensitive InceptionV3 (CS-InceptionV3) and CNN (CS-CNN) show a promising accuracy of 92.31% and a recall value of 1.00 respectively on an imbalanced dataset. The proposed models have shown great potential in improving tumor detection accuracy and must be further developed for application in practical solutions. We have provided the datasets and made our implementations publicly available at - https://github.com/shahariar-shibli/Explainable-Cost-Sensitive-Deep-Neural-Networks-for-Brain-Tumor-Detection-from-Brain-MRI-Images

研究动机与目标

• 推动自动脑肿瘤检测，以减少MRI报告中的人工复核时间。
• 在平衡和不平衡数据集上评估CNN及预训练CNN架构用于脑肿瘤分类。
• 引入成本敏感学习以应对数据不平衡，并与标准模型进行比较。
• 应用多种可解释AI方法来可视化和解释模型决策。

提出的方法

• 在脑部MRI数据集中评估CNN、ResNet50、InceptionV3、EfficientNetB0和NASNetMobile用于脑肿瘤检测。
• 应用成本敏感学习以解决数据不平衡，并与标准训练进行比较。
• 对模型进行微调/预训练，并采用224x224输入尺寸，80/10/10的训练/验证/测试划分。
• 使用Grad-CAM、Grad-CAM++、显著性图、SmoothGrad、Score-CAM、Faster Score-CAM进行梯度基解释，使用LIME进行模型无关解释。
• 用准确率、精确率、召回率、F1分数和特异性评估性能。
• 在实验设置中提供数据预处理和模型架构细节，包括 dropout 和学习率。

实验结果

研究问题

• RQ1 标准CNN和预训练CNN在平衡的大脑MRI数据集上进行肿瘤检测的性能如何？
• RQ2 与标准训练相比，成本敏感学习是否能提升不平衡脑肿瘤数据集的性能？
• RQ3 可解释AI技术（Grad-CAM、LIME 等）在解释这些模型的脑肿瘤预测方面有多有效？
• RQ4 在像InceptionV3和CNN这样的模型上应用成本敏感方法时，对准确率/召回率有何影响？

主要发现

• 在微调后，InceptionV3在平衡数据集上达到99.33%的准确率。
• 成本敏感InceptionV3（CS-InceptionV3）在不平衡数据集上实现了92.31%的准确率，CS-CNN在召回率为1.00的情况下也达到92.31%的准确率。
• 成本敏感方法在不平衡数据上相比研究中使用的常规模型，准确率大约提高约4%。
• 应用了解释性技术（Grad-CAM、Grad-CAM++、显著性图、SmoothGrad、Score-CAM、Faster Score-CAM）来解释CNN，并使用LIME来解释预训练模型。