Preprocessing delle immagini e sensibilità degli ottimizzatori: implicazioni per le reti neurali convoluzionali nella diagnosi dei tumori cerebrali

Summary

Questo studio utilizza un quadro controllato per valutare pipeline di preprocessing e ottimizzatori all'interno di un'architettura fissa, con l'obiettivo di determinare come la preprocessing classica influenzi gli ottimizzatori e le Reti Neurali Convoluzionali (CNN) nella classificazione dei tumori cerebrali.

Abstract

La classificazione dei tumori cerebrali tramite risonanza magnetica (MRI) presenta delle sfide a causa delle variazioni nella dimensione, forma e consistenza del tumore. Sebbene i metodi tradizionali di pre-elaborazione delle immagini siano comunemente impiegati per migliorare la qualità degli input, il loro impatto sul comportamento degli ottimizzatori e sulle prestazioni CNN deve ancora essere approfondito. Questa ricerca esamina l'effetto del preprocessing sulla convergenza, generalizzazione e accuratezza della classificazione tra vari ottimizzatori. Utilizziamo un dataset Kaggle pubblicamente disponibile per creare due pipeline di preprocessing: una pipeline di base che ridimensiona solo le immagini e una pipeline tradizionale che converte le immagini in scala di grigi, le sfoca e applica il filtraggio morfologico. Testiamo quindi come queste pipeline influenzano tre ottimizzatori: Adam, Propagazione Quadratica Media Radice (RMSProp) e Discesa Gradiente Stocastica (SGD). Per separare le variabili del protocollo, viene utilizzata un'architettura CNN fissa in tutto il processo. Le prestazioni vengono valutate utilizzando accuratezza, precisione, richiamo e punteggio F1, validati tramite cinque validazioni incrociate. I risultati mostrano che la preprocessing di base produce costantemente maggiore accuratezza e una convergenza più stabile su tutti gli ottimizzatori, con RMSProp e SGD che raggiungono la massima accuratezza media del 99,53% sotto la validazione incrociata di cinque volte. I risultati affrontano l'effetto poco studiato del preprocessing sulle prestazioni degli ottimizzatori, sottolineando la necessità di strategie di addestramento consapevoli del preprocessing per migliorare la robustezza e l'interpretabilità nell'analisi delle immagini mediche.

Introduction

La classificazione dei tumori cerebrali tramite risonanza magnetica (MRI) è un compito cruciale in neuro-oncologia, dove una diagnosi precoce e accurata influenza direttamente la pianificazione del trattamento e gli esiti dei pazienti¹. Le CNN sono diventate l'approccio dominante per automatizzare questo processo grazie alla loro capacità di apprendere direttamente le caratteristiche gerarchiche spaziali e testurali dai dati grezzi^{delle immagini 2}. Tuttavia, la qualità dei dati di input rimane un fattore chiave che determina le prestazioni del modello. Le tecniche classiche di preprocess....

Protocol

La Figura 1 mostra una panoramica del flusso di lavoro del protocollo. Questo studio esamina l'effetto della preelaborazione classica delle immagini sulle prestazioni delle CNN e sul comportamento degli ottimizzatori nella classificazione dei tumori cerebrali tramite la risonanza magnetica. Il protocollo comprende la preparazione del dataset, pipeline di preprocessing a doppio percorso, architettura del modello, configurazione degli ottimizzatori, valutazione delle prestazioni e validazione della interpretabilità. Tutti gli esperimenti sono stati eseguiti in Python 3.10.12 utilizzando Keras versione 2.13.....

Results

Adam optimizer - Preprocessing baseline:
La Figura 2 illustra le prestazioni di un modello di classificazione dei tumori cerebrali utilizzando l'ottimizzatore Adam con preprocessing di base. La matrice di confusione mostra una separazione quasi perfetta tra casi tumorali e non tumorali, con solo 8 classificazioni errate su 600 campioni. Il rapporto di classificazione allegato conferma questo con precisione, richiamo e punteggi F1, tutti .......

Discussion

Il successo della classificazione dei tumori cerebrali basata su CNN in questo studio è stato principalmente determinato da due componenti del protocollo: la progettazione del preprocessing e la selezione dell'ottimizzatore. La pre-elaborazione di base — costituita esclusivamente dal ridimensionamento dell'immagine — preservava l'intensità nativa dei pixel e la struttura spaziale, permettendo al modello di apprendere caratteristiche clinicamente rilevanti. Al contrario, i metodi tradizio.......

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
API Wrapper	Keras	2.13.1(RRID:SCR_016345)	API di alto livello per architettura CNN e formazione
Strumento di attribuzione	Implementazione Grad-CAM	Personalizzazione (tramite Keras)	Spiegazione visiva dell'attenzione della CNN
Dataset BR35H per tumori cerebrali per la risonanza magnetica	Kaggle	https://www.kaggle.com/ahmedhamada0/brain-tumor-detection	Fonte delle immagini MRI etichettate per classificazione
Dataset sui tumori cerebrali	Ultralitica	https://docs.ultralytics.com/datasets/detect/brain-tumor/
Biblioteca di Deep Learning	TensorFlow	2.15.0 (RRID:SCR_018345)	Backend per l'implementazione del modello CNN
Elaborazione delle immagini	OpenCV	4.8.0 (RRID:SCR_015526)	Preelaborazione: scala di grigi, sfocatura, soglia, morfologia
Linguaggio di programmazione	Python	3.10.12 (RRID:SCR_008394)	Ambiente di esecuzione per tutti gli esperimenti
Visualizzazione	Matplotlib	3.8.0 (RRID:SCR_008624)	Tracciare curve di perdita e sovrapposizioni Grad-CAM