[论文解读] Machine learning approach to brain tumor detection and classification

Alice Oh, Inyoung Noh+6 more|arXiv (Cornell University)|Oct 16, 2024

Brain Tumor Detection and ClassificationNeuroscience被引用 3

一句话总结

本研究评估了多种机器学习模型在使用MRI图像进行脑肿瘤检测与分类中的表现，发现卷积神经网络（CNN）在二分类和多分类设置中均优于其他模型。CNN在正常病例上的准确率达到97.14%，并在四种类别中表现出色：正常、胶质母细胞瘤、脑膜瘤和垂体瘤。

ABSTRACT

Brain tumor detection and classification are critical tasks in medical image analysis, particularly in early-stage diagnosis, where accurate and timely detection can significantly improve treatment outcomes. In this study, we apply various statistical and machine learning models to detect and classify brain tumors using brain MRI images. We explore a variety of statistical models including linear, logistic, and Bayesian regressions, and the machine learning models including decision tree, random forest, single-layer perceptron, multi-layer perceptron, convolutional neural network (CNN), recurrent neural network, and long short-term memory. Our findings show that CNN outperforms other models, achieving the best performance. Additionally, we confirm that the CNN model can also work for multi-class classification, distinguishing between four categories of brain MRI images such as normal, glioma, meningioma, and pituitary tumor images. This study demonstrates that machine learning approaches are suitable for brain tumor detection and classification, facilitating real-world medical applications in assisting radiologists with early and accurate diagnosis.

研究动机与目标

• 比较统计模型与机器学习模型在MRI扫描中检测和分类脑肿瘤的表现。
• 评估模型在二分类与多分类分类任务中的性能表现。
• 识别出利用MRI数据实现脑肿瘤早期且准确诊断的最有效模型。
• 评估当前方法的局限性，特别是对浸润性胶质母细胞瘤检测的挑战。
• 通过机器学习支持放射科医生，提供自动化且可靠的诊断工具。

提出的方法

• 使用了包含3,264张脑部MRI图像的公开Kaggle数据集，其中2,870张用于训练，394张用于测试。
• 通过将图像调整为32×32像素并将其像素强度归一化至[0, 1]区间进行预处理。
• 训练并比较了11种模型：线性回归、逻辑回归、贝叶斯回归、决策树、随机森林、支持向量机（SVM）、单层与多层感知机、CNN、循环神经网络（RNN）和长短期记忆网络（LSTM）。
• 采用标准评估指标：每类的准确率、精确率、召回率和F1分数。
• 通过利用CNN从原始MRI数据中学习分层特征，隐式应用了迁移学习原理。
• 在四种类别的多分类任务中进行：正常、胶质母细胞瘤、脑膜瘤和垂体瘤。

实验结果

研究问题

• RQ1 在从MRI图像中检测和分类脑肿瘤方面，哪种机器学习模型表现最佳？
• RQ2 与传统统计模型和机器学习模型相比，CNN在多分类脑肿瘤分类中的表现如何？
• RQ3 分类胶质母细胞瘤面临哪些挑战？为何其表现较差？
• RQ4 深度学习模型如CNN能否有效区分正常脑组织与多种类型的脑肿瘤？
• RQ5 不同肿瘤类型之间的模型性能指标（尤其是精确率与召回率）有何差异？

主要发现

• 卷积神经网络（CNN）在多分类任务的测试集上取得了97.14%的最高总体准确率。
• CNN在正常（97.14%召回率）、脑膜瘤（93.91%召回率）和垂体瘤（81.08%召回率）类别中表现优异。
• CNN在胶质母细胞瘤分类中实现了86.34%的精确率和31.15%的F1分数，表明在检测该肿瘤类型方面存在显著挑战。
• 胶质母细胞瘤分类的召回率最低（19.00%），F1分数最低（31.15%），凸显了识别与健康组织混合的浸润性肿瘤的困难。
• 传统模型如逻辑回归和随机森林表现中等，但均不及深度学习模型。
• 本研究证实，CNN在多分类脑肿瘤分类中极为有效，尤其在脑膜瘤和垂体瘤等边界清晰的肿瘤中表现突出。