Bildvorverarbeitung und Sensitivität des Optimierers: Auswirkungen auf konvolutionelle neuronale Netzwerke bei der Diagnose von Hirntumoren

Summary

Diese Studie verwendet ein kontrolliertes Framework, um Preprocessing-Pipelines und Optimierer innerhalb einer festen Architektur zu bewerten, mit dem Ziel, zu bestimmen, wie klassische Preprocessing Optimierer und Convolutional Neural Networks (CNNs) bei der Klassifikation von Gehirntumoren beeinflusst.

Abstract

Die Klassifikation von Gehirntumoren mittels Magnetresonanztomographie (MRT) stellt aufgrund von Variationen in Tumorgröße, Form und -struktur Herausforderungen dar. Obwohl traditionelle Bildvorverarbeitungsmethoden häufig zur Verbesserung der Eingabequalität eingesetzt werden, sind deren Auswirkungen auf das Optimierverhalten und die CNN-Leistung noch nicht umfassend untersucht worden. Diese Forschung untersucht die Auswirkungen von Vorverarbeitung auf Konvergenz, Verallgemeinerung und Klassifikationsgenauigkeit über verschiedene Optimierer hinweg. Wir nutzen einen öffentlich verfügbaren Kaggle-Datensatz, um zwei Preprocessing-Pipelines zu erstellen: eine Baseline-Pipeline, die nur Bilder in die Größe anpasst, und eine traditionelle Pipeline, die Bilder in Graustufen umwandelt, sie verschärft und morphologische Filterung anwendet. Anschließend testen wir, wie diese Pipelines drei Optimierer beeinflussen: Adam, Root Mean Square Propagation (RMSProp) und Stochastic Gradient Descent (SGD). Um Protokollvariablen zu trennen, wird durchgehend eine feste CNN-Architektur verwendet. Die Leistung wird anhand von Genauigkeit, Präzision, Rückruf und F1-Wert bewertet, die durch fünffache Kreuzvalidierung validiert werden. Die Ergebnisse zeigen, dass die Baseline-Vorverarbeitung konstant eine höhere Genauigkeit und stabilere Konvergenz über alle Optimierer hinweg erzielt, wobei RMSProp und SGD die höchste mittlere Genauigkeit von 99,53 % unter fünffacher Kreuzvalidierung erreichen. Die Ergebnisse befassen sich mit dem wenig untersuchten Effekt der Vorverarbeitung auf die Leistung der Optimierer und betonen die Notwendigkeit von vorverarbeitungsbewussten Trainingsstrategien zur Verbesserung der Robustheit und Interpretierbarkeit in der medizinischen Bildanalyse.

Introduction

Die Klassifikation von Gehirntumoren mittels Magnetresonanztomographie (MRT) ist eine entscheidende Aufgabe in der Neuroonkologie, bei der eine frühzeitige und genaue Diagnose direkt die Behandlungsplanung und die Patientenergebnisse beeinflusst¹. CNNs sind zum dominierenden Ansatz zur Automatisierung dieses Prozesses geworden, da sie hierarchische räumliche und texturale Merkmale direkt aus Rohbilddaten^{lernen können}. Die Qualität der Eingabedaten bleibt jedoch ein entscheidender Faktor für die Modellleistung. Klassische Vorverarbeitungstechniken – wie Graustufenumwandlung, Gaußsches Uns....

Protocol

Abbildung 1 zeigt einen Überblick über den Protokoll-Workflow. Diese Studie untersucht die Auswirkungen der klassischen Bildvorverarbeitung auf die Leistung von CNNs und das Verhalten von Optimierern bei der Klassifikation von Gehirntumoren mittels MRT. Das Protokoll umfasst die Vorbereitung von Datensätzen, Dual-Path-Preprocessing-Pipelines, Modellarchitektur, Optimierungskonfiguration, Leistungsbewertung und Interpretierbarkeitsvalidierung. Alle Experimente wurden in Python 3.10.12 unter Verwendung von Keras Version 2.13.1 mit TensorFlow-Backend, OpenCV Version 4.8.0 und Matplotlib Version 3.8.0 durchge....

Results

Adam-Optimierer – Basisvorverarbeitung:
Abbildung 2 veranschaulicht die Leistung eines Hirntumor-Klassifikationsmodells mit dem Adam-Optimierer mit Baseline-Vorverarbeitung. Die Verwirrungsmatrix zeigt eine nahezu perfekte Trennung zwischen tumorösen und nicht-tumorösen Fällen, mit nur 8 Fehlklassifikationen von 600 Proben. Der beigefügte Klassifikationsbericht bestätigt dies mit Präzision, Rückruf und F1-Werten, die für beide Klassen je.......

Discussion

Der Erfolg der CNN-basierten Hirntumorklassifikation in dieser Studie wurde hauptsächlich durch zwei Protokollkomponenten angetrieben: Preprocessing-Design und Optimierer-Auswahl. Die Baseline-Vorverarbeitung – ausschließlich bestehend aus der Bildgrößenänderung – bewahrte die native Pixelintensität und die räumliche Struktur, sodass das Modell klinisch relevante Merkmale erlernen konnte. Im Gegensatz dazu führten traditionelle Vorverarbeitungsmethoden (wie Graustufenumwandlung, Gaußsche.......

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
API-Wrapper	Keras	2.13.1(RRID:SCR_016345)	High-Level-API für CNN-Architektur und Training
Attributionswerkzeug	Grad-CAM-Implementierung	Custom (über Keras)	Visuelle Erklärung der CNN-Aufmerksamkeit
BR35H Hirntumor-MRT-Datensatz	Kaggle	https://www.kaggle.com/ahmedhamada0/brain-tumor-detection	Quelle der markierten MRT-Bilder zur Klassifizierung
Brain Tumor Dataset	Ultralytika	https://docs.ultralytics.com/datasets/detect/brain-tumor/
Deep-Learning-Bibliothek	TensorFlow	2.15.0 (RRID:SCR_018345)	Backend für CNN-Modellimplementierung
Bildverarbeitung	OpenCV	4.8.0 (RRID:SCR_015526)	Vorverarbeitung: Graustufen, Unschärfe, Schwellenwert, Morphologie
Programmiersprache	Python	3.10.12 (RRID:SCR_008394)	Ausführungsumgebung für alle Experimente
Visualisierung	Matplotlib	3.8.0 (RRID:SCR_008624)	Darstellung von Verlustkurven und Grad-CAM-Überlagerungen