[论文解读] Integrating Preprocessing Methods and Convolutional Neural Networks for Effective Tumor Detection in Medical Imaging

Ha Anh Vu|arXiv (Cornell University)|Feb 25, 2024

Brain Tumor Detection and ClassificationNeuroscience被引用 3

一句话总结

本研究提出一种混合方法，结合高斯平滑、双边滤波和K均值聚类进行脑部MRI图像预处理，随后使用基于ResNet50的卷积神经网络进行分类。该方法在Figshare数据集上实现了75%的准确率，表明预处理增强的深度学习在肿瘤检测方面具有潜力，但K均值聚类分割的局限性导致性能低于当前最先进模型。

ABSTRACT

This research presents a machine-learning approach for tumor detection in medical images using convolutional neural networks (CNNs). The study focuses on preprocessing techniques to enhance image features relevant to tumor detection, followed by developing and training a CNN model for accurate classification. Various image processing techniques, including Gaussian smoothing, bilateral filtering, and K-means clustering, are employed to preprocess the input images and highlight tumor regions. The CNN model is trained and evaluated on a dataset of medical images, with augmentation and data generators utilized to enhance model generalization. Experimental results demonstrate the effectiveness of the proposed approach in accurately detecting tumors in medical images, paving the way for improved diagnostic tools in healthcare.

研究动机与目标

• 通过针对性的预处理技术增强图像特征，以提高医学影像中肿瘤检测的准确性。
• 开发并训练一种基于卷积神经网络架构的深度学习模型，用于自动分类MRI扫描中的脑肿瘤类型。
• 评估预处理（特别是平滑、保持边缘的滤波和灰度化）对后续模型性能的影响。
• 识别当前预处理流程中的局限性，特别是K均值聚类的不足，并提出改进方案以提升肿瘤边界勾画的准确性。
• 在相同数据集上将所提方法与最先进模型进行基准对比，以实现公平的性能比较。

提出的方法

• 预处理从使用7×7核平滑开始，以减少噪声，同时保留T1加权MRI图像中的结构细节。
• 应用双边滤波以在考虑空间接近度和强度相似性的同时，保持边缘锐度，特别是在肿瘤边界周围。
• 将图像转换为灰度图以简化分析，并集中关注与组织区分相关的强度和对比度变化。
• 使用三类K均值聚类将图像分割为不同区域，旨在将肿瘤组织与正常脑结构分离。
• 使用数据生成器和数据增强技术训练基于ResNet50的卷积神经网络，以提高泛化能力，模型优化为三类分类：脑膜瘤、胶质瘤和垂体瘤。
• 模型在Figshare数据集的70%（3,064张图像）上进行训练，并在剩余30%上进行评估，性能通过准确率和损失曲线进行跟踪。

实验结果

研究问题

• RQ1 高斯平滑和双边滤波在预处理MRI图像中对肿瘤特征可检测性有何影响？
• RQ2 当K均值聚类用作深度学习模型的预处理步骤时，其在多大程度上提升了肿瘤分割的准确性？
• RQ3 图像预处理对基于ResNet50的卷积神经网络在脑肿瘤检测中的最终分类准确率有何影响？
• RQ4 所提出的K均值聚类 + ResNet50流程在相同数据集上的性能与InceptionV3和基于SVM的最先进模型相比如何？
• RQ5 在医学图像分析中，特别是在肿瘤边界检测方面，使用K均值聚类作为预处理的关键局限性是什么？

主要发现

• 所提方法在训练集上达到75%的准确率，表明在训练集上学习效果良好，但测试准确率表现出显著波动，提示存在过拟合或泛化问题。
• 训练集和测试集的模型损失整体呈下降趋势，表明误差成功减小，但训练中期出现测试损失的峰值。
• K均值聚类在多个测试案例中未能稳定检测到肿瘤，如图3、4和5所示，显示在胶质瘤和垂体瘤图像中出现漏检。
• 该方法75%的准确率显著低于最先进模型，如Soumik等[4]（99%）和Irmak[5]（最高达99.33%），凸显性能差距。
• 本研究将K均值聚类识别为预处理中的关键局限，因为不准确的分割会将错误引入训练数据，降低模型可靠性。
• 未来工作应整合先进的边缘检测技术，以改善肿瘤边界勾画，提升预处理的保真度。