최적화된 뇌종양 감지를 위한 증강 멀티모달 융합: 평가 및 비교 분석

요약

본 연구는 5개의 사전 훈련된 모델을 통합하고 평가하여 최적화된 뇌종양 검출 방법을 제안한다. 이 접근 방식은 고급 이미지 증강, 하이퍼 파라미터 튜닝 및 다양한 옵티마이저를 활용하여 향상된 정확도와 일반화를 달성하여 뇌종양 진단을 위한 의료 이미징에 상당한 기여를 합니다.

초록

뇌종양은 중대한 의학적 도전을 나타내므로 적시에 개입하기 위해 정확하고 효율적인 검출 방법이 필요합니다. 이 작업은 VGG16, MobileNetV2, DenseNet121, InceptionV3 및 ResNet50과 같은 여러 사전 훈련된 기본 모델을 통합하여 뇌종양 진단을 위한 새로운 방법을 제안합니다. 다양한 기본 모델을 수용하여 일관성과 유지 관리 용이성을 보장하고 모델 비교를 용이하게 하기 위해 간소화되고 표준화된 기술이 제안되었습니다. 훈련 데이터 세트의 다양성을 확대하고 모델 일반화를 향상시키기 위해 밝기 및 대비 조정과 같은 주목할만한 이미지 확대 방법이 사용됩니다. 또한 데이터 생성기를 활용하는 효과적인 교육 파이프라인은 컴퓨팅 성능을 보존하면서 대규모 데이터 세트를 효율적으로 처리하도록 설계되었습니다.

이 연구는 사전 훈련된 각 기본 모델에 적용된 세 가지 다른 옵티마이저(Adam, Stochastic Gradient Descent 및 Adamax)를 사용하여 하이퍼파라미터를 종합적으로 조정하여 철저한 분석을 수행했습니다. 재현율, 정확도, 정밀도, F1 점수 및 혼동 행렬과 같은 메트릭은 모델의 성능을 평가하는 데 사용되며 모델의 동작에 대한 포괄적인 이해를 제공합니다. 각 모델의 성능을 체계적으로 비교하면 강점과 약점에 대한 심층적인 조사가 제공되어 뇌종양 검출 애플리케이션을 위한 정보에 입각한 모델 선택 및 의사 결정을 용이하게 했습니다. MobileNetV2는 Adam 옵티마이저를 사용하여 정확도 96%, 정밀도 96%, 재현율 94%, F1 점수 95%로 전반적으로 가장 높은 성능을 달성했습니다. DenseNet121 및 VGG16도 각각 95%와 94%의 정확도를 달성하여 우수한 성능을 보였습니다. InceptionV3는 정확도 93%, 정밀도 93%, 재현율 91%, F1 점수 92%로 최고 성능 모델에 비해 약간 낮은 성능을 보여주었습니다. ResNet50은 정확도 77%, 정밀도 78%, 재현율 76%, F1 점수 76%로 상대적으로 낮은 성능을 보였습니다. 이러한 지표는 뇌종양 검출을 위해 제안된 방법의 견고성과 효능을 보여줍니다.

서론

뇌종양은 양성이든 악성이든 인간의 건강과 복지에 심각한 위협이 됩니다. 이러한 종양의 적시 발견은 환자의 결과를 결정하는 데 중추적인 역할을 하며, 의료 분야에서 우선순위를 차지하고 있다 ^1,39 (또한 보충 표 S1 참조). 뇌종양을 조기에 발견하는 것은 중요한 의료 목표일 뿐만 아니라 환자에게 중요한 생명선입니다. 시기적절한 개입과 효과적인 치료 옵션에 대한 접근을 가능하게 함으로써 예후를 개선하고, 환자에게 권한을 부여하며, 이 어려운 상태의 전반적인 부담을 줄여줍니다⁴⁰. MRI와 같은 기법을 통해 질병 진행을 지속적으로 모니터링하는 것은^{치료 전략을 조정}하고^1,3 잠재적인 합병증을 감지하는 데 필수적이다. 조기 발견은 환자의 생존율을 향상시킬 뿐만 아니라 성공적인 결과와 더 나은 장기 예후에 대한 희망을 제공함으로써 삶의 질을 향상시킵니다.

딥 러닝은 뇌종양을 감지하는 데 중요한 역할을 하며, 복잡한 의료 영상 데이터 ^4,5,6를 놀라운 정밀도와 속도로 분석하는 데 있어 탁월한 기능을 제공합니다. 딥 러닝 모델, 특히 컨볼루션 신경망(CNN)과 같은 고급 신경망 구조를 사용하는 모델은 컴퓨터 단층 촬영(CT), 양전자 방출 단층 촬영(PET) 및 MRI 스캔과 같은 다양한 의료 영상 양식에서 복잡한 패턴과 특징을 자율적으로 식별하는 데 매우 효과적입니다 ^7,41.

뇌종양을 식별하는 데 있어 딥 러닝의 주요 이점 중 하나는 매우 초기 단계에서 뇌종양을 감지할 수 있는 능력입니다 ^8,9,10,11. 딥 러닝 알고리즘은 인간의 관찰을 피할 수 있는 의료 영상의 미묘한 이상을 식별함으로써 의료 서비스 제공자가 신속하게 치료를 시작할 수 있도록 하여 종양 진행을 방지하고12,15,17,18,19,20 환자의 결과를 향상시킬 수 있습니다^15,17. 이 능력은 치료 결정을 안내하고 환자의 예후를 예측하는 데 매우 중요하다 24,25,26. 광범위한 데이터 세트 27,28,29에서 훈련된 딥 러닝 모델은 이미징 기능과 종양 병리학 간의 복잡한 관계를 파악하여 정확하고 신뢰할 수 있는 진단 통찰력을 제공할 수 있습니다 30,31,32,33.

최근 딥 러닝의 발전으로 처음에는 자연어 처리를 위해 설계된 트랜스포머 기반 아키텍처가 의료 영상의 판도를 바꾸는 도구로 도입되었습니다. 기존 CNN과 달리 트랜스포머는 셀프 어텐션 메커니즘을 활용하여 글로벌 데이터 종속성을 캡처하므로 종양 세분화 및 분류와 같은 복잡한 작업에 특히 효과적입니다. Saeed 등⁴¹ 및 Mehmood 등³⁸ 이 수행한 것과 같은 연구는 뇌종양 감지에서 분할 정확도와 설명 가능성을 크게 개선한 DeepLabV3+ 및 TransResUNet과 같은 변압기 강화 모델의 성공을 강조했습니다. 이러한 모델은 예측 모델링을 위해 트랜스포머가 적용된 Xuanzhi et ^al.40에서 입증된 바와 같이 의료 이미지에 대한 심층적인 이해를 제공합니다.

레이블이 지정된 대규모 데이터 세트에 대한 의존도를 줄이면서 복잡한 공간 관계를 매핑하는 능력은 이 분야를 변화시키고 있으며, 보다 적응력 있고 확장 가능한 진단 솔루션을 위한 길을 닦고 있습니다. 이는 의료 영상의 중요한 변화를 의미하며, 검출 및 분석의 정밀도와 효율성을 강조합니다. 딥 러닝을 사용하여 뇌종양을 감지하는 것은 전이 학습 및 최적화 방법의 발전에 힘입어 의료 영상의 핵심 초점 영역으로 부상했습니다¹. 이러한 발전에도 불구하고 모델 성능의 가변성, 최적화 기술에 대한 불충분한 탐색, 하이퍼파라미터 튜닝 및 데이터 증강 전략에 대한 제한된 평가와 같은 과제는 여전히 남아 있습니다.

의료 영상에서의 전이 학습

최적화 기법 : 기존 최적화 알고리즘은 특히 고차원 공간에서 계산 효율성과 수렴 속도의 균형을 맞추는 데 어려움을 겪는 경우가 많습니다. 다양한 문제 환경에 동적으로 적응할 수 있는 적응형 및 하이브리드 최적화 방법이 필요합니다.

데이터 증강 및 전처리: 현재의 데이터 증강 기술은 실제 시나리오에 잘 일반화되지 않는 비현실적인 변환을 도입할 수 있습니다. 도메인별 제약 조건을 고려하고 데이터 무결성을 유지하는 적응형 증강 전략에 대한 더 많은 연구가 필요합니다.

모델 비교: 대부분의 모델 비교 연구는 벤치마크 데이터 세트에 초점을 맞추며, 이는 실제 복잡성을 반영하지 않을 수 있습니다. 진정한 일반화 기능을 이해하기 위해 다양하고 시끄럽고 불균형한 데이터 세트에서 모델을 평가하는 데에는 연구 격차가 있습니다.

딥 러닝 모델을 통한 특징 추출: 딥 러닝 모델은 기능을 자동으로 추출할 수 있지만 해석 가능성이 부족한 경우가 많습니다. 학습된 표현에 대한 통찰력을 제공하는 설명 가능한 특징 추출 방법에 대한 더 많은 작업이 필요합니다.

최적화 전략: 많은 최적화 전략은 도메인별 지식을 완전히 활용하지 못하여 차선의 솔루션으로 이어집니다. 성능 향상을 위해 도메인 인식 휴리스틱을 최적화 프레임워크에 통합하는 방법에 대한 연구가 필요합니다.

데이터 증강(data augmentation)의 과제: 데이터 증강은 중복되거나 오해의 소지가 있는 정보로 이어져 모델 성능에 부정적인 영향을 미칠 수 있습니다. 증강 다양성과 데이터 현실성 사이의 균형을 해결하는 것은 딥 러닝 애플리케이션에서 여전히 열려 있는 과제로 남아 있습니다.

제안된 연구에서 수행된 실험 작업에 대한 비판적 분석은 주목할만한 강점과 약점을 드러냅니다. 긍정적인 측면에서는 전이 학습 모델이 복잡한 기능을 추출하는 데 매우 효과적인 것으로 입증되어 뇌종양 감지와 같은 작업에서 탁월한 성능을 발휘할 수 있습니다. 또한 널리 사용되는 Adam 옵티마이저 및 최신 방법을 포함한 고급 최적화 기술은 수렴 속도와 전반적인 모델 성능을 향상시킬 수 있는 능력을 입증했습니다.

그러나 특정 제한 사항은 여전히 남아 있습니다. 옵티마이저와 모델 간의 상호 작용에 대한 탐색은 제한적이었으며, 이를 통해 최적의 성능을 달성하기 위한 더 깊은 통찰력을 제공할 수 있습니다. 또한 하이퍼파라미터 튜닝에 대한 집중이 부족하면 다양한 애플리케이션에서 재현성과 일관성을 보장하는 데 중요한 역할을 하기 때문에 단점으로 확인되었습니다.

이 논문은 특징 추출 및 전이 학습에 대한 기초 작업으로 시작하여 최적화 및 증강과 같은 고급 영역으로 진행하고 주요 연구 격차를 식별하는 것으로 마무리합니다. 몇 가지 주요 격차가 기존 문헌에서 강조되어 있습니다. 한 가지 중요한 문제는 전이 학습 모델의 일관되지 않은 벤치마킹이며, 연구 ^6,36에서 언급했듯이 서로 다른 옵티마이저에서 균일하게 평가되지 않습니다. 또 다른 격차는 하이퍼파라미터 튜닝에 대한 제한된 탐구와 모델 성능에 영향을 미치는 중요한 역할에 있으며, 이는 연구^14,37에서 확인되었습니다. 또한, 다양한 연구에서 채택된 증강 전략, 특히 모델 견고성 및 일반화에 미치는 영향과 관련하여 연구^15,23에서 관찰된 바와 같이 증강 전략에 대한 충분한 정당화가 부족합니다. 이러한 격차는 향후 연구에서 보다 표준화되고 엄격한 접근 방식이 필요함을 시사합니다.

이러한 간극을 해소하기 위해 이 연구는 3개의 옵티마이저(Adam, SGD, Adamax)와 쌍을 이루는 5개의 사전 훈련된 모델(VGG16, MobileNetV2, DenseNet121, InceptionV3 및 ResNet50)에 대한 포괄적인 평가가 두드러집니다. 벤치마킹의 격차를 해소하고 옵티마이저-모델 상호작용을 탐색함으로써 성능 역학에 대한 철저한 분석을 제공합니다. 그리드 검색을 사용한 엄격한 하이퍼파라미터 튜닝은 학습률, 배치 크기 및 드롭아웃 비율과 같은 주요 파라미터를 구체화하여 모델 성능을 향상시킵니다.

이 연구는 또한 모델 일반화를 개선하기 위해 밝기 및 대비 조정을 포함한 맞춤형 증강 전략을 소개합니다. 주요 지표를 사용하는 표준화된 평가 프레임워크는 모델 전반에 걸쳐 공정하고 일관된 비교를 보장합니다. 특히 MobileNetV2는 뇌종양 감지를 위한 최고 성능 모델로 부상하여 실행 가능한 통찰력을 제공하고 의료 영상 연구의 재현성 및 효율성에 대한 새로운 벤치마크를 설정합니다.

이번 연구에 포함된 사전 훈련된 모델은 VGG16, MobileNetV2, DenseNet121, InceptionV3, ResNet50으로, 다양성 표현을 위해 고유한 구조적 강점을 적용하면서 이미지 분류와 같은 작업에서 높은 테스트를 거쳐 효과적인 것으로 입증되었습니다. VGG16은 계층적 기능을 추출하기 위한 간편하면서도 강력한 프레임워크를 제공하는 반면, 모바일 NetV2는 리소스가 제한된 환경에 적합한 아키텍처를 갖춘 경량입니다. DenseNet121은 밀집된 연결로 기능 재사용을 통해 효율성을 개선하기 위해 노력합니다. InceptionV3를 사용하여 다양한 스케일에서 기능을 캡처하는 Inception 모듈을 활용합니다. Resnet50은 잔류 연결과 함께 기울기 소실을 완벽하게 방지합니다. 세 가지 옵티마이저 모두 SGD를 선택하여 최적화를 벤치마킹했으며, Adam은 적응형 학습 속도와 모멘텀의 하이브리드화로 인해 빠른 수렴을 제공하며, Adamax는 특히 희소 그래디언트에서 매우 강력합니다.

이 연구는 여러 아키텍처의 평가, 옵티마이저 분석 및 하이퍼파라미터 튜닝을 하나의 포괄적인 프레임워크 내에서 결합하여 기존 지식 기반을 크게 향상시킴으로써 이 분야에 고유한 기여를 합니다. 체계적인 방법론과 상세한 보고는 재현성을 보장하여 다른 연구자들이 연구 결과를 복제하거나 추가 발전을 위한 기초로 사용할 수 있도록 합니다. 더욱이, 이 연구의 결과는 미래 의료 이미징 시스템의 개발을 직접 안내할 수 있고 임상 응용 프로그램의 정확성과 효율성을 모두 개선할 수 있기 때문에 이 작업의 실질적 중요성은 분명합니다.

이 연구에서 수행된 작업은 다양한 기본 모델을 수용하는 간소화되고 표준화된 코드베이스를 개발하여 구현의 일관성을 보장하고 유지 관리를 용이하게 하며 모델 비교를 용이하게 하는 데 중점을 둡니다.또한 VGG16, MobileNetV2, DenseNet121, InceptionV3 및 ResNet50을 포함한 사전 훈련된 기본 모델을 통합하여 뇌종양 감지를 위한 고유한 아키텍처를 활용하는 새로운 접근 방식을 소개합니다. 이 작업에는 훈련 데이터 세트의 다양성을 높이고 모델 일반화를 향상시키기 위해 밝기 및 대비 수정을 포함한 이미지 증강 방법이 포함됩니다. 이 작업의 목표는 데이터 생성기를 사용하여 방대한 데이터 세트를 원활하게 처리하고 컴퓨팅 성능을 보존하면서 모델을 효과적으로 훈련하는 효과적인 훈련 파이프라인을 설계하고 구현하는 것입니다. 제안된 작업에 대한 철저한 분석은 5개의 사전 학습된 기본 모델(VGG16, MobileNetV2, DenseNet121, InceptionV3 및 ResNet50)에 적용된 Adam, SGD(Stochastic Gradient Descent) 및 Adamax의 세 가지 옵티마이저를 사용하여 수행됩니다. 마지막으로, 재현율, 정확도, 정밀도, F1 점수 및 혼동 행렬과 같은 주요 지표를 검사하여 모델의 성능에 대한 심층적인 평가를 수행하여 모델의 동작에 대한 포괄적인 이해를 얻습니다.

프로토콜

그림 7 은 제안된 접근 방식의 전체 방법론을 나타내는 개략적인 블록 다이어그램을 보여줍니다. 제안된 방법에서 뇌종양의 MRI 스캔 이미지는 두 가지 인기 있는 기술인 정규화(normalization)와 스케일링(scaling)을 사용하여 전처리됩니다. 이 작업에는 VGG16, MobileNetV2, DenseNet121, ResNet50 및 InceptionV3와 같은 인기 있는 사전 훈련된 전이 학습 모델이 사용됩니다. 훈련 후 가상 사례에서 모델을 테스트하고 정확도, 재현율, 정밀도 및 F1 점수와 같은 다양한 성능 지표를 기반으로 모델의 성능을 확인하기 위해 광범위한 분석을 수행합니다. 제안된 기술은 딥 러닝을 사용하여 뇌종양 분류의 효율성과 정확성을 높여 향후 의료 진단 프로세스를 개선할 수 있습니다.

1. 데이터 세트 획득

1. 데이터 세트 획득: Kaggle에서 뇌하수체, 무종양, 수막종, 신경교종의 4개 등급으로 분류된 7023개의 이미지로 구성된 뇌종양 MRI 스캔 데이터 세트를 다운로드합니다.
2. 데이터 세트 나누기: 데이터 세트를 학습 세트(5,712개 이미지)와 테스트 세트(1,311개 이미지)로 분할합니다.
   참고: 편향되지 않은 모델 평가를 위해 클래스 분포가 학습 및 테스트 세트 간에 균형을 이루도록 합니다. 그림 8 은 훈련 데이터 세트 내의 다양한 범주 간에 이미지의 시각적 분포를 보여줍니다. 4개의 서로 다른 클래스에서 추출한 MRI 이미지의 일부 샘플 데이터 세트는 그림 9에서 볼 수 있습니다.

2. 데이터 전처리

1. 이미지 변환:
   1. PIL(Python Imaging Library)을 사용하여 각 MRI 이미지를 숫자 표현으로 변환합니다.
      1. PIL(Pillow) 및 numpy가 설치되어 있는지 확인합니다.
      2. PIL을 사용하여 MRI 스캔을 엽니다.
      3. 필요한 경우 이미지를 회색 음영으로 변환하여 처리를 단순화합니다.
      4. NumPy 배열로 변환 - 이미지를 숫자 형식으로 변환합니다.
2. 데이터 증강:
   1. 밝기 조정: ImageEnhance.Brightness 함수를 사용하여 0.8에서 1.2 사이의 비율로 이미지 밝기를 임의로 변경합니다.
   2. 대비 조정: ImageEnhance.Contrast 함수를 적용하여 0.8에서 1.2 사이의 범위 내에서 이미지 대비를 임의로 변경합니다.
      참고: 이러한 증강 기술은 실제 이미징 조건의 변화를 시뮬레이션하여 모델 견고성을 향상시키기 위해 구현됩니다.
3. 정규화: PIL 라이브러리를 사용하여 증강 이미지를 NumPy 배열로 변환하여 이미지를 로드하고 증강(예: 뒤집기, 회전)을 적용합니다. 또한 증강 이미지를 숫자 표현 (img_array = np.array(img_aug)으로 변환합니다. ML 모델에 따라 배열의 모양을 변경하거나 평면화합니다(img_vector = img_array.flatten()). 마지막으로, 픽셀 값을 255.0으로 나누어 정규화하여 [0, 1] 범위 내에 속하도록 합니다.
   참고: 이 단계는 모델에 대한 일관된 입력을 보장하여 안정적인 학습 및 성능을 촉진합니다.

3. 종양 분류를 위한 전이 학습

1. 모델 선택: 전이 학습을 위해 VGG16, MobileNetV2, DenseNet121, InceptionV3 및 ResNet50을 포함한 사전 훈련된 모델을 선택합니다.
2. 기능 추출: 대부분의 레이어를 학습 불가능으로 설정하여 사전 학습된 모델을 기능 추출기로 활용합니다. 아래 코드 줄을 참조하여 레이어를 훈련 불가능으로 설정합니다. base_model.layers[:15]의 레이어:
   layer.trainable = 거짓
   참고: 이 단계는 대상 의료 데이터 세트에 대한 더 나은 일반화를 위해 크고 다양한 데이터 세트에서 학습한 계층적 표현을 활용합니다.
3. 미세 조정: 아래 코드 스니펫을 사용하여 뇌종양 감지의 특정 작업에 적응하기 위해 사전 훈련된 각 모델의 마지막 세 레이어를 고정 해제합니다.for layer in base_model.layers[-3:]: layer.trainable = True
   참고: 미세 조정을 통해 모델은 뇌 이상 감지와 관련된 기능에 집중할 수 있습니다.

4. 종양 분류를 위한 딥러닝 모델

1. 표준화된 모델 구조:
   1. 각 모델에 Flatten 레이어를 추가하여 계층적 기능을 1차원 배열로 변환 평면화 후 분류 또는 회귀 작업을 위해 Dense 레이어를 추가합니다.
   2. 드롭아웃 레이어(0.3 및 0.2 비율)를 포함하여 과적합을 줄이고 일반화를 개선할 수 있습니다.
2. 밀집된 레이어:
   1. ReLU(Rectified Linear Unit) 활성화를 사용하여 128개의 뉴런이 있는 조밀한 계층을 추가합니다.
   2. 뇌종양 영상의 다중 등급 분류를 위해 소프트맥스 활성화가 있는 최종 밀집층을 포함합니다.
      참고: 모델 전반에 걸쳐 이러한 균일한 구조는 일관된 평가 및 비교를 보장합니다.

5. 교육 및 최적화

1. 입력 사양: 모든 모델에 대해 이미지의 입력 치수를 (224, 224, 3)으로 표준화합니다. include_top 매개변수를 False로 설정하여 밀집된 연결 분류 계층을 제외하고 모델을 특징 추출기로만 사용합니다.
2. 가중치 초기화: 공정하고 의미 있는 비교를 촉진하기 위해 모든 모델에서 초기화에 이미지넷 가중치를 사용합니다.
3. 컴파일: sparse_categorical_crossentropy 손실 함수와 sparse_categorical_accuracy 메트릭을 사용하여 모든 모델을 컴파일합니다.
   참고: 선택한 손실 함수는 레이블이 정수인 경우 다중 클래스 분류에 적합합니다.
4. 최적화 전략:
   1. 배치 크기: 16, 32 및 64의 배치 크기를 테스트하여 훈련 속도와 성능에 대한 최적의 크기를 결정합니다.
   2. 학습률: Adam 최적화 프로그램의 경우 0.0001, SGD 및 Adamax 최적화 프로그램의 경우 0.001의 학습률을 사용합니다.
   3. 드롭아웃 비율: 과적합을 방지하기 위해 0.2, 0.3 및 0.5의 드롭아웃 비율을 평가합니다.
      참고: 이러한 매개변수는 최적의 성능을 보장하기 위해 각 모델에 맞게 조정됩니다.
5. 훈련 파라미터: 균일한 배치 크기를 20으로 설정하고 모든 모델에서 50개의 Epoch 동안 훈련합니다.
   epoch count를 기반으로 조기 중지를 구현하여 과적합과 불필요한 계산 로드를 방지합니다.
   참고: 이 표준화된 절차를 통해 모델 성능을 공정하게 비교할 수 있습니다.

6. 모델 평가

1. 성능 메트릭: 정확도, 정밀도, 재현율 및 F1 점수와 같은 메트릭을 사용하여 각 모델을 평가합니다.
2. 혼동 행렬: 클래스 간의 오분류에 대한 자세한 분석을 위해 혼동 행렬을 구성합니다.
   참고: 이러한 평가는 각 모델의 강점과 약점에 대한 통찰력을 제공하여 추가 개선을 안내합니다.

결과

VGG16, MobileNetV2, DenseNet121, InceptionV3 및 ResNet50의 5가지 모델 각각에 대한 성능 평가에는 정확도 곡선, 혼동 행렬 및 분류 보고서를 포함한 자세한 분석이 포함됩니다. 이러한 메트릭과 시각화는 뇌종양 감지에 대한 모델의 숙련도를 평가하는 데 중요한 도구입니다. 에포크에 대한 모델의 학습 진행 상황은 정확도 곡선으로 동적으로 표시되며, 이는 또한 모델의 가능한 과적합 및 수렴에 대한 실마리를 제공합니다.

정확도 메트릭은 모든 클래스에서 모델의 분류에 대한 철저한 평가를 제공합니다. Macro Avg는 F1-Score, 재현율 및 정밀도의 가중되지 않은 평균을 계산하여 모든 클래스에 대해 공평한 평가를 제공합니다. 반면에, 가중 평균은 각 등급의 표본 수량을 기준으로 평균에 가중치를 부여하여 등급 불균형을 고려합니다....

토론

모델 성능

딥 러닝 모델(사전 학습)의 효과적인 사용은 뇌종양 식별에서 강력한 성능을 발휘하는 주된 이유입니다. 성능을 평가하는 데 사용되는 주요 아키텍처의 조합으로는 VGG16, MobileNetV2, DenseNet121, InceptionV3 및 ResNet50이 있습니다. 이러한 모델은 광범위한 이미지 데이터 컬렉션을 사용하여 사전 훈련을 받았기 때문에 인상적인 특징 추출 기능을 가지고 있습니다. 가중치는 뇌종양 데이터 세트에 따라 최적화되어 종양의 존재를 암시하는 복잡한 패턴과 미세한 차이를 식별할 수 있습니다. 또한 포괄적인 이미지 증강 방법이 활용되었습니다. 증강 프로세스는 과적합을 줄이고 모델의 일반화 능력을 개선하여 더 나은 성능 지표를 생성했습니다.

재료

이 논문에 사용된 재료 목록

이름	회사	카탈로그 번호	댓글
GPU 인프라 및 Jupyter Notebook	Kaggle(온라인 플랫폼 제공업체)	Tesla-P100	GPU 인프라 s 최신 NVIDIA Tesla P100 GPU Intel
Core i5-8350U	Intel	i5-8350U Intel Core	i5-8350U 로컬 처리를 위한 CPU @ 1.70GHz(최대 1.90GHz)
RAM	표준	8GB_RAM	8GB RAM
운영 체제		로컬 처리를 위한 Microsoft Windows_64 64비트 Windows OS
라이브러리	Python 커뮤니티	N/A	NumPy, scikit-learn, PIL, TensorFlow 2.12, Keras 2.12