An Optimized Ensemble Deep Learning Model For Brain Tumor Classification

要約

脳腫瘍は人命にかかわる重大なリスクであり、効果的な治療のためには正確でタイムリーな診断が必要である。脳腫瘍の同定が不正確であれば、生命予後を著しく低下させる可能性があり、正確な診断方法の必要性が強調されている。膨大な磁気共鳴画像（MRI）画像データセット内の脳腫瘍を手作業で同定するのは困難で時間がかかる。したがって、診断精度を高め、最終的に命を救うためには、信頼性の高い深層学習（DL）モデルの開発が不可欠である。本研究では、脳腫瘍を効率的に分類するために、伝達学習（TL）を採用した革新的な最適化ベースの深層アンサンブルアプローチを紹介する。我々の方法論には、綿密な前処理、TLアーキテクチャの再構築、微調整、および遺伝的アルゴリズムベースの重み最適化（GAWO）やグリッド探索ベースの重み最適化（GSWO）などの重み付き最適化技術を利用したアンサンブルDLモデルが含まれる。実験は、Figshare Contrast-Enhanced MRI（CE-MRI）脳腫瘍データセット（3064画像で構成）で実施した。我々のアプローチは注目すべき精度を達成し、Xception、ResNet50V2、ResNet152V2、InceptionResNetV2、GAWO、GSWOはそれぞれ99.42%、98.37%、98.22%、98.26%、99.71%、99.76%の精度を達成した。特にGSWOは、Figshare CE-MRI脳腫瘍データセットにおいて、5回のフォールドで平均99.76%の優れた精度を示した。比較分析により、我々の提案モデルが既存の対応モデルよりも大幅に性能が向上していることが明らかになった。結論として、我々の最適化されたディープアンサンブルモデルは、脳腫瘍の迅速な分類において卓越した精度を示す。さらに、このモデルは、神経科医や臨床医が正確かつ即座に診断判断を下すことを支援する可能性を秘めている。

要約(オリジナル)

Brain tumors present a grave risk to human life, demanding precise and timely diagnosis for effective treatment. Inaccurate identification of brain tumors can significantly diminish life expectancy, underscoring the critical need for precise diagnostic methods. Manual identification of brain tumors within vast Magnetic Resonance Imaging (MRI) image datasets is arduous and time-consuming. Thus, the development of a reliable deep learning (DL) model is essential to enhance diagnostic accuracy and ultimately save lives. This study introduces an innovative optimization-based deep ensemble approach employing transfer learning (TL) to efficiently classify brain tumors. Our methodology includes meticulous preprocessing, reconstruction of TL architectures, fine-tuning, and ensemble DL models utilizing weighted optimization techniques such as Genetic Algorithm-based Weight Optimization (GAWO) and Grid Search-based Weight Optimization (GSWO). Experimentation is conducted on the Figshare Contrast-Enhanced MRI (CE-MRI) brain tumor dataset, comprising 3064 images. Our approach achieves notable accuracy scores, with Xception, ResNet50V2, ResNet152V2, InceptionResNetV2, GAWO, and GSWO attaining 99.42%, 98.37%, 98.22%, 98.26%, 99.71%, and 99.76% accuracy, respectively. Notably, GSWO demonstrates superior accuracy, averaging 99.76\% accuracy across five folds on the Figshare CE-MRI brain tumor dataset. The comparative analysis highlights the significant performance enhancement of our proposed model over existing counterparts. In conclusion, our optimized deep ensemble model exhibits exceptional accuracy in swiftly classifying brain tumors. Furthermore, it has the potential to assist neurologists and clinicians in making accurate and immediate diagnostic decisions.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL