画像前処理と最適化感度:脳腫瘍診断における畳み込みニューラルネットワークへの示唆

Summary

本研究は、固定アーキテクチャ内で前処理パイプラインと最適化器を評価するための制御された枠組みを用い、古典的前処理が脳腫瘍分類におけるオプティマイザーおよび畳み込みニューラルネットワーク(CNN)にどのように影響するかを明らかにすることを目指します。

Abstract

磁気共鳴画像法(MRI)を用いた脳腫瘍の分類は、腫瘍の大きさ、形状、質感に変化があるため課題があります。 従来の画像前処理手法は入力品質向上に一般的に用いられていますが、オプティマイザーの挙動やCNN性能への影響はまだ十分に調査されていません。本研究は、前処理が収束、一般化、分類精度に与える影響を様々な最適化器間で検証します。公開されているKaggleデータセットを活用し、画像のサイズ変更のみを行うベースラインパイプラインと、グレースケール変換、ぼかし、形態的フィルタリングを行う従来型パイプラインの2つの前処理パイプラインを作成しました。次に、これらのパイプラインが3つの最適化器、すなわちアダム、平均二乗根伝播(RMSProp)、および確率勾配降下(SGD)にどのように影響するかを検証します。プロトコル変数を分離するために、全体的に固定されたCNNアーキテクチャが使用されます。パフォーマンスは、正確性、正確性、想起性、F1スコアを用いて評価され、5重の相互検証によって検証されます。結果は、ベースラインの前処理がすべてのオプティマイザーで一貫して高い精度とより安定した収束をもたらし、RMSPropとSGDは5重クロス検証で平均精度99.53%の最高を達成していることを示しています。これらの発見は、前処理が最適化器のパフォーマンスに与える影響について十分に研究されていない点に対処し、医療画像解析における堅牢性と解釈性を向上させるために前処理対応型トレーニング戦略の必要性を強調しています。

Introduction

磁気共鳴画像法(MRI)を用いた脳腫瘍の分類は神経腫瘍学において極めて重要な課題であり、早期かつ正確な診断が治療計画や患者の転帰に直接影響します^。CNNは、生の画像データから階層的な空間的およびテクスチャ的特徴を直接学習できるため、このプロセスの自動化における主流のアプローチとなっています^。しかし、入力データの品質はモデル性能の重要な決定要因であり続けます。グレースケール変換、ガウスぼかし、しきい値付け、形態演算などの古典的な前処理技術が、ノイズを低減し構造的境界を強調するために日常的に適用^{されます。}Gangadharanらは脳腫瘍予測のための深層学習モデルの比較解析を行い、アーキテクチャ間のパフォーマンスのばらつきとデータセット特性の重要性を強調しました^。6。Qureshiらは、^{診断精度を}損なうことなく計算効率とリアルタイムの適用性を重視し、多クラス腫瘍検出のための超軽量CNNを提案しました。構造イメージングを超えて、QureshiらはマルチパラメトリックMRIスキャンからの融合多オミクス....

Protocol

図1 はプロトコルのワークフローの概要を示しています。本研究は、古典的画像前処理がCNNの性能およびMRIを用いた脳腫瘍分類における最適化装置の挙動に与える影響を検証します。このプロトコルには、データセット準備、デュアルパス前処理パイプライン、モデルアーキテクチャ、最適化装置の設定、パフォーマンス評価、解釈可能性検証が含まれます。すべての実験はPython 3.10.12で、Kerasバージョン2.13.1、TensorFlowバックエンド、OpenCVバージョン4.8.0、Matplotlibバージョン3.8.0を使用して実行されました。

データセットの準備
本研究では、Kaggle²¹のBR35H脳腫瘍MRIデータセット(腫瘍存在(「はい」)と腫瘍欠如(「いいえ」)に均等に分けられた3,000枚の画像で構成されました。すべての画像はOpenCVのcv2.resize関数を用いて128×128ピクセルにリサイズされ、実験間で入力寸法を標準化しました。Scikit-learnのtrain_test_splitを用いた層別サンプリングは、トレーニングセット(80%)と検証セット(20%)にわたるバランスの取れた表現を確保し、各フォールドでのクラス分布の一貫性を維持し....

Results

Adam オプティマイザー - ベースライン前処理:
図2は、ベースライン前処理付きAdamオプティマイザーを用いた脳腫瘍分類モデルの性能を示しています。混同行列は腫瘍と非腫瘍症例のほぼ完璧な分離を示しており、600サンプル中誤分類はわずか8件のみです。付随する分類報告書は、両クラスとも正確に、想起率、F1スコアすべて0.98以上であることを裏付けています。

伝統的な前処理を用いたAdam Optimizer:
図3は、Adam 最適化器と従来の前処理で訓練されたCNNモデルの分類性能を示しています。モデルは全体の精度95.83%を達成し、両クラスともにバランスの取れた精度と0.96の記憶力スコアを達成しました。混同マトリックスは腫瘍陽性と腫瘍陰性の判別が強く、343件の非腫瘍症例のうち333件、257件の腫瘍症例.......

Discussion

本研究におけるCNNベースの脳腫瘍分類の成功は、主に前処理設計と最適化器選択という2つのプロトコル要素によって支えられました。画像のリサイズのみで構成されるベースラインの前処理は、ネイティブのピクセル強度と空間構造を保持し、臨床的に関連した特徴を学習することを可能にしました。これに対し、従来の前処理手法(グレースケール変換、ガウスブラー、しきい値、形態演算など)は特徴抽象化を導入し、微妙な腫瘍の手がかりを抑制し、パフォーマンスや解釈性を低下させました。

最適化器の選択は収束速度と一般化にさらに影響を与えました。アダプティブオプティマイザーであるAdamとRMSPropは、クリーン入力条件下で迅速な収束と安定した性能を示しました。SGDは収束が遅いものの、ベースライン前処理と組み合わせることで強い一般化と最小限の過学習を示しました。これらの発見は、医療画像ワークフローにおける堅牢なCNN学習を確保するために、前処理戦略を最適化装置の動態と整合させることの重要性を強調しています。

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
APIラッパー	ケラス	2.13.1(RRID:SCR_016345)	CNNアーキテクチャとトレーニングのための高水準API
帰属ツール	グラッドCAM実装	カスタム(Keras経由)	CNNの注意の視覚的説明
BR35H脳腫瘍MRIデータセット	カグル	https://www.kaggle.com/ahmedhamada0/brain-tumor-detection	分類のためのラベル付きMRI画像の出典およびnbsp;
脳腫瘍データセット	ウルトラリティクス	https://docs.ultralytics.com/datasets/detect/brain-tumor/
ディープラーニングライブラリ	テンソルフロー	2.15.0 (RRID:SCR_018345)	CNNモデル実装のバックエンド
画像処理	OpenCV	4.8.0 (RRID:SCR_015526)	前処理:グレースケール、ぼかし、しきい値、形態
プログラミング言語	パイソン	3.10.12 (RRID:SCR_008394)	すべての実験の実行環境
可視化	Matplotlib	3.8.0 (RRID:SCR_008624)	損失曲線とGrad-CAMオーバーレイのプロット