A deep learning approach for brain tumor detection using magnetic resonance imaging

要約

脳組織内の異常な細胞の増殖は、脳腫瘍を引き起こします。
脳腫瘍は、小児および成人にとって最も危険な疾患の 1 つと考えられています。
それは急速に進行し、適切に治療されない場合、患者の生存の見通しはわずかです。
適切な治療計画と正確な診断は、患者の平均余命を改善するために不可欠です。
脳腫瘍は、主に磁気共鳴画像法 (MRI) を使用して診断されます。
畳み込みニューラル ネットワーク (CNN) ベースの説明の一部として、MRI 画像から脳腫瘍を検出するために、5 つの畳み込み層、5 つの最大プーリング層、平坦化層、および 2 つの高密度層を含むアーキテクチャが提案されています。
提案されたモデルには、自動特徴抽出器、修正された隠れ層アーキテクチャ、およびアクティベーション関数が含まれています。
いくつかのテストケースが実行され、提案されたモデルは低いクロスエントロピー率で 98.6% の精度と 97.8% の精度スコアを達成しました。
隣接特徴伝播ネットワーク (AFPNet)、マスク領域ベースの CNN (マスク RCNN)、YOLOv5、フーリエ CNN (FCNN) などの他のアプローチと比較して、提案されたモデルは脳腫瘍の検出においてより優れたパフォーマンスを発揮しました。

要約(オリジナル)

The growth of abnormal cells in the brain’s tissue causes brain tumors. Brain tumors are considered one of the most dangerous disorders in children and adults. It develops quickly, and the patient’s survival prospects are slim if not appropriately treated. Proper treatment planning and precise diagnoses are essential to improving a patient’s life expectancy. Brain tumors are mainly diagnosed using magnetic resonance imaging (MRI). As part of a convolution neural network (CNN)-based illustration, an architecture containing five convolution layers, five max-pooling layers, a Flatten layer, and two dense layers has been proposed for detecting brain tumors from MRI images. The proposed model includes an automatic feature extractor, modified hidden layer architecture, and activation function. Several test cases were performed, and the proposed model achieved 98.6% accuracy and 97.8% precision score with a low cross-entropy rate. Compared with other approaches such as adjacent feature propagation network (AFPNet), mask region-based CNN (mask RCNN), YOLOv5, and Fourier CNN (FCNN), the proposed model has performed better in detecting brain tumors.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google