Examining the behaviour of state-of-the-art convolutional neural networks for brain tumor detection with and without transfer learning

要約

正常と悪性を区別し、腫瘍の種類を決定することは、脳腫瘍診断の重要な要素です。
この調査作業では、最先端のCNNモデルを使用して2種類のデータセットを調査します。
1つのデータセット（バイナリ）には正常タイプと腫瘍タイプの画像があり、別のデータセット（マルチクラス）には神経膠腫、髄膜腫、または下垂体に分類される腫瘍のすべての画像があります。
実験は、これらのデータセットで、ImageNetから事前にトレーニングされた重みからの転移学習と、重みをランダムに初期化することで実施されました。
実験環境は、公正な比較を行うために、この研究のすべてのモデルで同等です。
両方のデータセットについて、検証セットはすべてのモデルで同じであり、列車データは60％で、残りは検証用に40％です。
この研究で提案された手法により、EfficientNet-B5アーキテクチャは、マルチクラスデータセットの99.75％および98.61％の精度で、バイナリ分類データセットのすべての最先端モデルよりも優れています。
この調査では、さまざまな重み初期化手法での検証損失の収束の動作も示しています。

要約(オリジナル)

Distinguishing normal from malignant and determining the tumor type are critical components of brain tumor diagnosis. Two different kinds of dataset are investigated using state-of-the-art CNN models in this research work. One dataset(binary) has images of normal and tumor types, while another(multi-class) provides all images of tumors classified as glioma, meningioma, or pituitary. The experiments were conducted in these dataset with transfer learning from pre-trained weights from ImageNet as well as initializing the weights randomly. The experimental environment is equivalent for all models in this study in order to make a fair comparison. For both of the dataset, the validation set are same for all the models where train data is 60% while the rest is 40% for validation. With the proposed techniques in this research, the EfficientNet-B5 architecture outperforms all the state-of-the-art models in the binary-classification dataset with the accuracy of 99.75% and 98.61% accuracy for the multi-class dataset. This research also demonstrates the behaviour of convergence of validation loss in different weight initialization techniques.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google