图像预处理与优化灵敏度：卷积神经网络在脑肿瘤诊断中的启示

摘要

本研究采用受控框架评估固定架构下的预处理流水线和优化器，旨在确定经典预处理如何影响优化器和卷积神经网络（CNN）在脑肿瘤分类中的应用。

摘要

利用磁共振成像（MRI）进行脑肿瘤分类，由于肿瘤大小、形状和纹理的差异，存在挑战。 尽管传统图像预处理方法常被用于提升输入质量，但其对优化器行为和CNN性能的影响尚未被彻底研究。本研究考察了预处理对各种优化器中收敛性、泛化和分类准确性的影响。我们利用公开的Kaggle数据集创建了两条预处理流程：一条仅调整图像大小的基线管道和一条传统管道，将图像转换为灰度、模糊并应用形态过滤。随后我们测试这些流水线对三个优化器的影响：亚当、均方根传播（RMSProp）和随机梯度下降（SGD）。为了分离协议变量，整个过程采用固定的CNN架构。通过准确性、精确度、回忆和F1评分来评估表现，并通过五重交叉验证进行验证。结果显示，基线预处理在所有优化器间持续带来更高的准确性和更稳定的收敛，RMSProp 和 SGD 在五重交叉验证下达到了最高的平均准确率，达到 99.53%。研究结果解决了预处理对优化器性能影响的不足研究，强调了预处理感知训练策略的必要性，以提升医学图像分析中的鲁棒性和可解释性。

引言

利用磁共振成像（MRI）进行脑肿瘤分类是神经肿瘤学中的关键任务，早期和准确诊断直接影响治疗计划和患者结局。CNN已成为自动化这一过程的主流方法，因为它们能够直接从原始^{图像数据中}学习层级空间和质地特征2。然而，输入数据的质量仍然是模型性能的关键决定因素。经典的预处理技术——如灰度转换、高斯模糊、阈值化和形态学作——被常规应用以减少噪声并强调结构边界 ^3,4,5。Gangadharan等人对深度学习模型在脑肿瘤预测中的比较分析，强调了不同架构性能的变异性以及数据集特性在塑造结局中的重要性^6.Qureshi等人提出了一种超轻量级CNN用于多类肿瘤检测，强调计算效率和实时适用性，同时不影响诊断准确性⁷.Qureshi等人不仅仅限于结构成像，还利用多参数MRI扫描中的融合多组学特征，进行放射基因组分类，预测甲基鸟嘌呤-DNA甲基转移酶（MGMT）启动子甲基化状态，展示了集成数据模态在非侵入性肿瘤剖析中的^潜力。尽管这些变换无处不在，但其对CNN训练动态、优....

方案

图1 展示了协议工作流程的概述。本研究考察了经典图像预处理对CNN性能的影响，以及优化器在利用MRI进行脑肿瘤分类时的行为。该协议涵盖数据集准备、双路径预处理流水线、模型架构、优化器配置、性能评估和可解释性验证。所有实验均在Python 3.10.12中运行，使用Keras 2.13.1版本，后端为TensorFlow，OpenCV为4.8.0版本，Matplotlib为3.8.0。

数据集准备
本研究使用了来自Kaggle²¹的BR35H脑肿瘤MRI数据集，包含3000张图像，平均分为肿瘤存在（“是”）和肿瘤缺失（“否”）类别。所有图像均使用OpenCV的cv2.resize函数调整为128×128像素，以标准化实验间的输入尺寸。采用Scikit-learn train_test_split的分层抽样确保了训练集（80%）和验证集（20%）之间的平衡代表性，从而保持了各折段类别分布的一致性。

除了BR35H公开数据集外，我们还使用来自Ultralytics脑肿瘤数据集（https://docs.ultralytics.com/datasets/detect/brain-tumor/）收集的独立数据集验证了该....

结果

Adam 优化器 - 基线预处理：
图2展示了使用Adam优化器进行基线预处理的脑肿瘤分类模型的性能。混淆矩阵显示肿瘤病例与非肿瘤病例几乎完美分离，600个样本中仅有8个错误分类。随附的分类报告以准确度、记忆力和F1分数均为0.98或以上，证实了这一点。

Adam优化器配合传统预处理：
图3展示了使用Adam优化器和传统预处理训练的CNN模型的分类性能。该模型整体准确率达到95.83%，两类均保持平衡精度和0.96的回忆得分。混淆矩阵显示肿瘤阳性和肿瘤阴性病例的区分力强，正确识别了343例非肿瘤病例中的333例和257例肿瘤病例中的242例。错误分类很少，仅有25个样本标记错误。

带有基线预处理功能的RMSProp：
.......

讨论

本研究中基于CNN的脑肿瘤分类成功主要由两个方案组成部分推动：预处理设计和优化器选择。基线预处理——仅包含图像大小调整——保持了原生像素强度和空间结构，使模型能够学习临床相关的特征。相比之下，传统的预处理方法（如灰度转换、高斯模糊、阈值和形态作）引入了特征抽象，常常抑制细微的肿瘤线索，导致性能和可解释性降低。

优化器的选择进一步影响了收敛速度和泛化性。Adam和RMSProp这两款自适应优化器在干净输入条件下展现了快速收敛和稳定性能。SGD虽然收敛较慢，但结合基线预处理时展现出强烈的泛化性和最小的过度拟合。这些发现凸显了将预处理策略与优化器动态对齐的重要性，以确保医学影像工作流程中稳健的CNN学习。

如果性能偏离预期结果，可能需要考虑若干方案调整：（i） 预处理调优：过度过滤或阈值化可能模糊肿瘤边界。减少形态作强度或恢复基线预处理可以恢复空间保真度。（ii） 优化器重新配置：如果收敛不稳定，从RMSProp切换到Adam或调整学习率可能会改善梯度流。（iii）.......

材料

本文使用的材料清单

姓名	公司	目录编号	评论
API 包装器	克拉斯	2.13.1（RRID：SCR_016345）	CNN架构与培训的高级API
归因工具	Grad-CAM 实现	自定义（通过Keras）	CNN注意力的视觉解释
BR35H脑肿瘤MRI数据集	卡格尔	https://www.kaggle.com/ahmedhamada0/brain-tumor-detection	分类用标记MRI图像来源及nbsp;
脑肿瘤数据集	超溶菌	https://docs.ultralytics.com/datasets/detect/brain-tumor/
深度学习库	张量流	2.15.0 （RRID：SCR_018345）	CNN模型实现的后端
图像处理	OpenCV	4.8.0 （RRID：SCR_015526）	预处理：灰度、模糊、阈值、形态
编程语言	蟒蛇	3.10.12 （RRID：SCR_008394）	所有实验的执行环境
可视化	Matplotlib	3.8.0 （RRID：SCR_008624）	损耗曲线绘制与Grad-CAM叠加