Explainable Cost-Sensitive Deep Neural Networks for Brain Tumor Detection from Brain MRI Images considering Data Imbalance

要約

この論文では、畳み込みニューラル ネットワーク (CNN)、ResNet50、InceptionV3、EfficientNetB0、および NASNetMobile モデルを使用して効率的に脳腫瘍を検出し、レポートの手動レビューに必要な時間を短縮し、自動分類システムを作成することに関する調査研究を紹介します。
脳腫瘍。
CNN、ResNet50、InceptionV3、EfficientNetB0、NASNetMobile の 5 つのモデルを含む自動パイプラインが提案されています。
提案されたアーキテクチャのパフォーマンスはバランスの取れたデータセットで評価され、微調整された InceptionV3 モデルでは 99.33% の精度が得られることがわかりました。
さらに、ブラックボックスの動作を理解するためにモデルの潜在的な動作を視覚化するために、Explainable AI アプローチが組み込まれています。
トレーニング プロセスをさらに最適化するために、不均衡なデータセットを処理するためのコスト重視のニューラル ネットワーク アプローチが提案されており、実験で使用した従来のモデルよりもほぼ 4% 高い精度を達成しました。
コスト重視の InceptionV3 (CS-InceptionV3) と CNN (CS-CNN) は、不均衡なデータセットでそれぞれ 92.31% の有望な精度と 1.00 の再現率を示します。
提案されたモデルは腫瘍検出精度の向上に大きな可能性を示しており、実用的なソリューションに適用するにはさらに開発する必要があります。
私たちはデータセットを提供し、実装を https://github.com/shahariar-shibli/Explainable-Cost-Sensitive-Deep-Neural-Networks-for-Brain-Tumor-Detection-from-Brain-MRI で公開しました。
-画像

要約(オリジナル)

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

arxiv情報

提供元, 利用サービス

arxiv.jp, Google