Aandacht-gestuurd Transfer Learning Framework voor Classificatie van Vier Klasse Hersentumoren met behulp van MRI

Gokapay Dilip Kumar; Vemuri Sudarsan Rao; Sudheer Reddy Bandi; Shaik Thaseentaj; Maneesha Vadduri; M. Nageswara Rao; Akkula Sri Vaishnavi

doi:10.3791/69087

Method Article

Aandacht-gestuurd Transfer Learning Framework voor Classificatie van Vier Klasse Hersentumoren met behulp van MRI

DOI:

10.3791/69087

⸱

July 10th, 2026

Gokapay Dilip Kumar¹ , Vemuri Sudarsan Rao¹ , Sudheer Reddy Bandi² , Shaik Thaseentaj³ , Maneesha Vadduri³ , M. Nageswara Rao⁴ , Akkula Sri Vaishnavi⁵

¹Department of Computer Science and Engineering, Sri Chaitanya Institute of Technology & Research, ²Department of Artificial Intelligence and Data Science, JB Institute of Engineering and Technology, ³Department of Computer Science and Engineering, Koneru Lakshmaiah Education Foundation (KLEF), ⁴Department of Electronics and Communication Engineering, Sri Mittapalli College of Engineering, ⁵School of Electronics Engineering (SENSE), VIT-AP University

Summary

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Deze studie presenteert een lichtgewicht, op aandacht gebaseerd diep lerend kader voor classificatie van hersentumoren in vier klassen uit MRI-beelden met behulp van transfer learning met MobileNetV2, EfficientNetV1 en Inception-ResNet-V2. Het model behaalt een hoge classificatie nauwkeurigheid met verminderde computationele complexiteit, wat klinische beslissingsondersteunende toepassingen met beperkte middelen ondersteunt.

Abstract

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Het doel van dit onderzoek is om een lichtgewicht maar nauwkeurig deep learning-framework te ontwikkelen voor het classificeren van hersentumoren in vier categorieën—gliomen, meningeomen, hypofysetumoren en gezond hersenweefsel—met behulp van magnetische resonantie beeldvorming (MRI) gegevens. De voorgestelde methodologie combineert transfer learning met drie vooraf getrainde convolutionale neurale netwerkmodellen—MobileNetV2, EfficientNetV1 en Inception-ResNet-V2—geïntegreerd met een aandachtsmechanisme dat de capaciteit van het menselijk visuele systeem nabootst om zich te concentreren op klinisch relevante delen van een afbeelding. Deze aandachtsgestuurde aanpak verbetert de lokalisatie van tumoren terwijl irrelevante achtergrondinformatie wordt onderdrukt. Het framework wordt geëvalueerd op een grote, openbaar beschikbare hersen-MRI-dataset met duizenden gelabelde afbeeldingen over de vier klassen. Standaard preprocessing, data-augmentatie en trainingsprotocollen worden toegepast om eenvoudige replicatie van de voorgestelde methode mogelijk te maken. Experimentele resultaten tonen aan dat EfficientNetV1 de hoogste classificatieprestatie bereikt en een superieure nauwkeurigheid heeft in vergelijking met zowel MobileNetV2 als Inception-ResNet-V2. De studie concludeert dat het voorgestelde lichtgewicht, aandachtsgestuurde framework effectief de balans tussen nauwkeurigheid en computationele complexiteit bewaakt, waardoor het zeer geschikt is voor real-time en mobiele gezondheidszorgtoepassingen, met name in omgevingen met beperkte middelen.

Introduction

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Accurate classificatie van hersentumoren met behulp van magnetische resonantiebeeldvorming (MRI) speelt een cruciale rol bij klinische diagnose, behandelingsplanning en prognoseschatting¹. Hersentumoren, waaronder glioom, meningeoom en hypofysetumoren, vertonen verschillende pathologische kenmerken en behandelreacties; daarom is vroege en betrouwbare identificatie essentieel voor het verbeteren van therapeutische resultaten en het verminderen van ziekteprogressie. MRI wordt algemeen geprefereerd voor de evaluatie van hersentumoren vanwege zijn superieure weke-weefselcontrast, niet-invasieve aard en het vermogen om tumormorfologie over meerdere anatomische vlakken te visualiseren. Echter, handmatige interpretatie van MRI-scans is vaak tijdrovend en sterk afhankelijk van radiologisch expertise, vooral wanneer tumorgrenzen onregelmatig zijn of wanneer visuele overeenkomsten tussen tumorklassen bestaan. Dientengevolge zijn geautomatiseerde computerondersteunde diagnostische systemen steeds belangrijker geworden voor het assisteren van radiologen bij nauwkeurige en efficiënte tumorclassificatie.

Diep leergebaseerde (DL) beeldanalysetechnieken hebben de geautomatiseerde ziekteclassificatie aanzienlijk gevorderd in biomedische en computervisietoepassingen²^,³. In neuro-oncologie hebben machine learning- en transfer learning-technieken veelbelovende prestaties aangetoond voor tumordetectie, segmentatie en classificatietaken⁴. Convolutionele neurale netwerken (CNN's), in het bijzonder, hebben superieure capaciteit aangetoond in het automatisch extraheren van hiërarchische beeldkenmerken direct uit MRI-scans zonder te vertrouwen op handgemaakte kenmerkengineering. CNN-architecturen kunnen discriminerende tumorgerelateerde representaties uit beeldgegevens leren, waardoor de classificatieprestaties worden verbeterd in vergelijking met conventionele machine learning-benaderingen. Recente vorderingen in DL hebben de ontwikkeling mogelijk gemaakt van hoogwaardige beeldclassificatiesystemen die in staat zijn om grootschalige beeldgegevensverzamelingen te verwerken met verbeterde precisie en verminderde menselijke tussenkomst.

Ondanks deze vooruitgang vereisen conventionele diepe CNN-architecturen vaak aanzienlijke computationele bronnen, waaronder hoge geheugenconsumptie, verhoogde parametercomplexiteit en uitgebreide trainingstijd⁵. Dergelijke computationele eisen beperken hun implementatie in resource-beperkte klinische omgevingen en mobiele gezondheidszorgsystemen. Bovendien hebben lichtgewicht convolutionale neurale netwerkarchitecturen toenemende aandacht gekregen vanwege hun verminderde computationele complexiteit en geschiktheid voor implementatie in laag-resourcetoepassingen⁵. Verschillende recente studies hebben geoptimaliseerde CNN-strategieën, efficiënte kenmerkextractiemechanismen en lichtgewicht implementatieframeworks onderzocht om de classificatie-efficiëntie te verbeteren zonder de voorspellende nauwkeurigheid aanzienlijk te compromitteren⁶^,⁷^,⁸. Echter, het in balans brengen van computationele efficiëntie met robuuste multi-class tumorclassificatieprestaties blijft een grote uitdaging in MRI-gebaseerde hersentumoranalyse⁹.

Op aandacht gebaseerde diep leergebaseerde frameworks zijn opgedoken als effectieve oplossingen voor het verbeteren van kenmerkrepresentatie in medische beeldafbeeldanalyse¹⁰. Aandachtsmechanismen stellen neurale netwerken in staat om selectief diagnostisch relevante beeldafdelingen te benadrukken terwijl irrelevante achtergrondinformatie wordt onderdrukt. Geïnspireerd door het menselijk visuele systeem verbeteren aandachtsgestuurde architecturen discriminerende kenmerkleer door de computationele focus te richten op tumorspecifieke ruimtelijke regio's en contextuele kenmerken. Dergelijke mechanismen zijn bijzonder voordelig voor MRI-analyse van hersentumoren omdat tumorweefsels vaak heterogene intensiteitspatronen, onregelmatige morfologie en overlappende visuele kenmerken tussen tumorcategorieën vertonen. Dientengevolge kan het integreren van aandachtsmodules in CNN-gebaseerde architecturen de classificatienauwkeurigheid verbeteren en de kenmerklocalisatieprestaties verbeteren.

Verschillende recente studies hebben het potentieel van DL-frameworks aangetoond voor geautomatiseerde diagnose van hersentumoren en MRI-gebaseerde tumorclassificatie¹¹^,¹². Gao et al. ontwikkelden en valideerden een DL-model voor hersentumordiagnose met behulp van MRI-gegevens, waarbij een sterke classificatiecapaciteit werd aangetoond voor geautomatiseerde neuroimaging-analyse¹¹. Evenzo onderzochten Abdusalomov et al. DL-gebaseerde hersentumordetectiebenaderingen met behulp van MRI-scans en rapporteerden veelbelovende diagnostische prestaties¹². Hoewel deze studies verbeterde classificatienauwkeurigheid bereikten, blijven beperkingen met betrekking tot datasetdiversiteit, modelgeneralisatie en computationele vereisten onopgelost. In veel gevallen waren de trainingsdatasets beperkt in omvang of afgeleid van beperkte klinische bronnen, waardoor het risico op overtraining toenam en de robuustheid over verschillende patiëntenpopulaties verminderde.

Om tumorvisualisatie en kenmerkextractie te verbeteren, zijn ook multimodale MRI-analyse en reconstructietechnieken onderzocht¹³^,¹⁴. Sun et al. onderzochten multimodale MRI-gebaseerde glioma-evaluatie met behulp van een diep leergebaseerde reconstructieframework in combinatie met denoiseringsstrategieën¹³. Hun werk toonde de belangrijkheid van beeldkwaliteitsverbetering voor het verbeteren van de detectieprecisie van glioom. Evenzo stelden Srinivas en Rao een DL-gebaseerde segmentatieframework voor voor multimodale MRI-analyse van subregio's van hersentumoren¹⁴. Hun aanpak verbeterde de afbakening van tumorsubregio's en droeg bij aan geïndividualiseerd behandelingsplanning. Niettemin vereisen multimodale frameworks over het algemeen uitgebreide voorverwerking, verhoogde computationele bronnen en nauwkeurige beeldregistratie tussen beeldvormingsmodaliteiten, wat hun toepasbaarheid in praktische klinische omgevingen kan beperken.

Aandachtsgestuurde multimodale fusiemethoden zijn ook

Protocol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Deze studie gebruikte een openbaar beschikbare, geanonimiseerde dataset; daarom was geïnformeerde toestemming niet vereist. De voorgestelde aanpak bestaat uit zes componenten: preprocessing, convolutiemodule, aandachtsmodule, integratie van convolutie- en aandachtsmodules en volledig verbonden (FC) lagen. Figuur 1 illustreert het volledige werkproces van onze methode.

Dataset-acquisitie
Gelabelde hersen-MRI-beelden worden verkregen uit een openbaar beschikbare Kaggle-dataset met vier tumorcategorieën en normaal weefsel.

Gegevensvoorverwerking
Afbeeldingen worden geherstructureerd tot een uniforme resolutie en intensiteitsnormalisatie. Optionele augmentatie (rotatie, flippen, zoomen) wordt toegepast om de generalisatie te verbeteren. De dataset wordt opgesplitst in trainings- (70%) en testsets (30%).

Modelarchitectuur
Drie backbone CNN's vooraf getraind op ImageNet—MobileNetV2, EfficientNetV1 en Inception-ResNet-V2—werden gebruikt om hersentumoren in vier categorieën te classificeren met behulp van MRI-afbeeldingen. MobileNetV2 en EfficientNetV1 waren geconfigureerd met een invoerdimensie van 224 × 224 pixels, terwijl Inception-ResNet-V2 een invoergrootte van 299 × 299 pixels vereiste. In het transfer learning-proces werden de eerste convolutionele lagen aan het begin bevroren om gegeneraliseerde beeldkenmerken te behouden, terwijl de bovenste lagen werden fijnafgesteld om het model af te stemmen voor hersentumorclassificatie. Elke backbone werd gekoppeld aan een lichtgewicht classificatiekop die Global Average Pooling, dichte lagen, dropout voor regularisatie en een Softmax-activeringsfunctie omvatte om vier klassen te voorspellen. Dropout werd geïmplementeerd om overtraining te verminderen en generalisatie te verbeteren. De ontworpen architectuur fuseerde effectief efficiënte functie-extractie met lagere computationele eisen, wat een nauwkeurige classificatie mogelijk maakte terwijl het geschikt bleef voor implementatie in resource-beperkte en proof-of-conceptscenario's.

Op aandacht gebaseerde functie-extractie
Invoerbeelden worden verwerkt via een initiële convolutionele laag gevolgd door een aangepaste aandachtsmodule. Parallelle max pooling en average pooling vangen saliente en contextuele kenmerken op, die worden geconcateneerd en verfijnd via convolutie om tumor-relevante regio's te benadrukken.

Convolutionele backbone en fusie
Aandachtsgewogen kenmerken worden doorgestuurd naar vooraf getrainde backbones (MobileNetV2, EfficientNetV1 of Inception-ResNet-V2). Hoogniveau-convolutionele lagen worden logisch gefuseerd om geheugentoegang te verminderen en de computationele efficiëntie te verbeteren.

Classificatie
Gevlakte kenmerken worden door volledig verbonden lagen met ReLU6-activering en dropout gevoerd, waardoor een compacte vertegenwoordiging wordt geproduceerd voor de uiteindelijke vier-klassen Softmax-classificatie.

Evaluatie
De modelprestaties worden beoordeeld op de testset met behulp van nauwkeurigheid, precisie, recall, F1-score en verwarringsmatrices.

Frameworkontwikkeling
De voorgestelde oplossing wordt geïmplementeerd in Python en gebruikt Keras voor uitvoering. Tabel 1 illustreert de hyperparameters. De dataset wordt opgesplitst in een trainingsset en een testset volgens een 70:30-verhouding. Vijf verschillende willekeurige splitsingen van trainingen/tests worden gebruikt om de uiteindelijke uitgebalanceerde prestatie voor elke dataset weer te geven.

Voorverwerking
De invoerbeelden moeten worden bijgewerkt omdat het MobileNetV2-framework dient als basis voor de voorgestelde oplossing. Om hoog-resolutie kenmerken uit foto's te extraheren, wordt het vooraf getrainde MobileNetV2-model gebruikt met zijn invoerdimensie. Elke invoerafbeelding wordt vervolgens geschaald naar 224×224 pixels in het bereik [-1, 1].

Het convolutiemodel
MobileNetV2 verbetert beeldherkenning door gebruik te maken van een efficiënte Convolutional Neural Network (CNN) architectuur ontworpen om computationele eisen te minimaliseren. Terwijl traditionele CNN's hoge nauwkeurigheid bereiken, hebben ze vaak aanzienlijk geheugen en verwerkingskracht nodig. MobileNetV1 introduceerde het concept van depthwise separable convolutie, dat standaard convolutie scheidt in twee verschillende operaties: depthwise convolutie voor het filteren van invoeren en pointwise convolutie voor het integreren van kenmerken. MobileNetV2 bouwt voort op dit idee door bottleneck-restantenblokken te incorporeren die bestaan uit expansielagen, depthwise convolutie, projectielaagjes en restantenverbindingen. De projectielaag comprimeert functiekanalen, terwijl restantenverbindingen betere informatiestroom door het netwerk faciliteren. Om stabiliteit te verbeteren en leerprestaties te versterken, worden ReLU6-activering en batchnormalisatie toegepast na convolutieoperaties.

In dit onderzoek werd MobileNetV2, vooraf getraind op ImageNet, gebruikt als backbone-model om kenmerken te extraheren, waarbij effectieve hoogniveau-semantische representaties worden geleverd terwijl computationele kosten laag worden gehouden voor hersentumorclassificatie. Na elke convolutielaag is er een ReLU6-activeringslaag, wat een aanpassing is van de ReLU-activeringsfunctie, waarbij de grootte maximaal zes is, en een batchnormalisatielaag. De gebruikelijke 1x1-convolutie, gemiddelde pooling en classificatielagen worden toegepast op 17 van de resterende bottleneckblokken, die de volledige MobileNetV2-architectuur vormen. We gebruikten MobileNetV2 als backbone-netwerk vooraf getraind op ImageNet. In een dergelijk geval wordt de convolutionele kaart verkregen uit de laatste restantenblok na doorgang door de MobileNetV2-convolutielaag. Lagere restantenblokken produceren kleinere functiekaarten. Dergelijke blokken dragen niet bij aan ons onderzoek omdat ze geen hoogniveau-gegevens verzamelen voor algemene beeldidentificatie. Tijdens modelbouw en training worden de lagen die voorafgaan aan de convolutionele lagen die een 7 × 7 3D-functiekaart genereren, vastgehouden. In wiskundige termen wordt dit

Results

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Drie vooraf getrainde deep learning-modellen, namelijk MobileNetV2, EfficientNetV1 en Inception-ResNet-V2, werden geëvalueerd voor vier-klasse hersentumorclassificatie met behulp van MRI-beelden.

Gebruikte dataset
Het voorgestelde framework werd geëvalueerd met behulp van een openbaar beschikbare hersentumor MRI-dataset verkregen van de Kaggle-platform. De dataset bestond uit 835 normale hersen-MRI-beelden, 826 glioma-beelden, 822 meningeoom-beelden en 827 hypofysetumor-beelden. Representatieve MRI-voorbeelden uit de dataset worden getoond in Figuur 2.

MobileNetV2
Het MobileNetV2-model bevatte 2.263.108 totale parameters, waaronder 2.228.996 trainbare en 34.112 niet-trainbare. De classificatieprestatiemetrieken worden gepresenteerd in Tabel 2. Het model behaalde een algemene classificatie-nauwkeurigheid van 97%, met vergelijkbare macro- en gewogen gemiddelde F1 Scores. De verwarringsmatrix die wordt getoond in Tabel 3 toont een sterke classificatieprestatie voor alle vier tumorcategorieën, met relatief weinig verkeerde classificaties tussen glioma en meningeoom.

Figuur 3 toont de trainings- en validatie-nauwkeurigheid/verliescurves voor MobileNetV2. Het model vertoonde stabiele convergentie na verschillende trainingsepochen, waarbij de validatieprestaties geleidelijk verbeterden.

Inception-ResNet-V2
Het Inception-ResNet-V2 model had 54.342.884 totale parameters, waaronder 54.282.340 trainbare en 60.544 niet-trainbare. De classificatiemetrieken worden samengevat in Tabel 4. Het model behaalde een algemene classificatie-nauwkeurigheid van 98%, wat een verbeterde prestatie aantoont in vergelijking met MobileNetV2.

De verwarringsmatrix in Tabel 5 geeft een hoge classificatie-nauwkeurigheid aan voor alle tumorcategorieën met verminderde foute classificaties. Er werd een betere discriminatie tussen tumorklassen waargenomen in vergelijking met het MobileNetV2-model. Figuur 4 illustreert de trainings- en validatieprestatiecurven voor Inception-ResNet-V2. Het model vertoonde stabiel leergedrag en consistente convergentie gedurende de trainingsepochen.

EfficientNetV1
Het EfficientNetV1-model bevatte 6.580.363 totale parameters, waaronder 6.518.308 trainbare en 62.055 niet-trainbare. De classificatiemetrieken die worden samengevat in Tabel 6 tonen de hoogste prestatie onder de geëvalueerde modellen, met een nauwkeurigheid, precisie, recall en F1-score van ongeveer 99%.

De verwarringsmatrix in Tabel 7 toont een sterke classificatieprestatie voor alle vier tumorklassen, met minimale verkeerde classificaties. Het model classificeerde de meeste glioma-, meningeoom-, geen-tumor- en hypofysetumorbeelden correct.

Figuur 5 toont de trainings- en validatie-nauwkeurigheid/verliescurves voor EfficientNetV1. Het model behaalde stabiele convergentie met lagere validatieschommelingen in vergelijking met de andere geëvalueerde architectuur.

Algemene vergelijking
Van de geëvalueerde modellen behaalde EfficientNetV1 de hoogste classificatieprestatie terwijl het een lagere computationele complexiteit behield dan Inception-ResNet-V2. MobileNetV2 toonde efficiënte lichtgewichtprestaties met verminderde parametervereisten, terwijl Inception-ResNet-V2 een verbeterde classificatie-nauwkeurigheid behaalde ten koste van aanzienlijk hogere modelcomplexiteit. De bevindingen geven aan dat EfficientNetV1 de beste balans biedt tussen classificatie-nauwkeurigheid en computationele efficiëntie voor vier-klasse hersentumor MRI-classificatie.

Beschikbaarheid van gegevens
De hersen-MRI-dataset die in dit onderzoek werd geanalyseerd, is openbaar beschikbaar via het Kaggle-platform. Alle gegevens die zijn gegenereerd en geanalyseerd tijdens dit onderzoek, inclusief classificatieresultaten, prestatiemetrieken, verwarringsmatrices en trainings-/validatieresultaten, worden gepresenteerd in de figuren en tabellen van dit artikel. De aangepaste code die is gebruikt voor modelontwikkeling en evaluatie, is beschikbaar bij de corresponderende auteur op redelijk verzoek.

Figuur 1: Aandachtsgestuurde transfer learning-framework voor vier-klasse hersentumorclassificatie. De workflow illustreert preprocessing, aandachtsgebaseerde functie-extractie, convolutionele functie-learning, functiefusie en volledig verbonden classificatielagen die worden gebruikt voor MRI-gebaseerde tumorclassificatie. Klik hier om een grotere versie van deze figuur te bekijken.

Figuur 2: Representatieve MRI-beelden van de vier-klasse hersentumor dataset.
Voorbeeld MRI-scans die overeenkomen met glioma, meningeoom, hypofysetumor en normale hersenklassen die worden gebruikt voor modeltraining en evaluatie worden gepresenteerd. Klik hier om een grotere versie van deze figuur te bekijken.

Figuur 3: Trainings- en validatie-nauwkeurigheid/verliescurves voor MobileNetV2. De grafieken

Discussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

```html

De prestatie-evaluatie, gebaseerd op nauwkeurigheid, recall, F1-score en precisie, onthult dat zowel MobileNetV2 als Inception-ResNet-V2 vergelijkbare resultaten behalen bij de classificatie van hersentumoren, elk een totale en gewogen gemiddelde nauwkeurigheid van 97–98% bereikend. In tegenstelling hiermee presteert EfficientNet beter dan de andere modellen en behaalt het 99% nauwkeurigheid over macro- en gewogen gemiddelde metrieken, dankzij zijn verbeterde generalisatie en compound scaling strategie. Deze bevindingen zijn consistent met eerdere studies die de effectiviteit van EfficientNet-architecturen aantonen voor multi-class MRI tumorclassificatie en computationeel efficiënte kenmerkleerprocessen²². Evenzo hebben transfer learning-gebaseerde MobileNetV2 frameworks eerder sterke prestaties laten zien in lichtgewicht hersentumorclassificatietaken terwijl ze een lagere computationele complexiteit behouden²¹.

De verbeterde prestatie van EfficientNetV1 kan worden toegeschreven aan zijn evenwichtige schaling van netwerkdiepte, breedte en inputresolutie, wat een efficiënte extractie van discriminerende tumorgerelateerde kenmerken mogelijk maakt. Vergelijkbare observaties over de voordelen van compound scaling strategieën zijn eerder gerapporteerd in CNN optimalisatiestudies⁷^,⁸. Bovendien heeft de integratie van de aandachtsgeleide kenmerkextractiemodule waarschijnlijk bijgedragen aan een verbeterde lokalisatie van tumorrelevante regio's door irrelevante achtergrondinformatie te onderdrukken, wat overeenkomt met bevindingen uit op aandacht gebaseerde medische beeldclassificatiestudies¹⁰^,¹⁵.

Ondanks deze resultaten blijven er verschillende uitdagingen bestaan bij de classificatie van hersentumoren, waaronder de nauwkeurige differentiatie van onregelmatige tumoren, segmentatie van subregio's buiten de tumorkern en nauwkeurige classificatie over verschillende typen hersenweefsel. Eerdere studies hebben eveneens beperkingen aangehaald met betrekking tot datasetdiversiteit, generalisatievermogen en computationele complexiteit in op MRI gebaseerde tumorclassificatiesystemen⁹^,¹¹^,¹². Bovendien hebben multimodale MRI-frameworks een verbeterde kenmerkrepresentatie en tumorvisualisatie aangetoond, hoewel deze methoden vaak uitgebreide voorverwerking en hogere computationele bronnen vereisen¹³^,¹⁷^,¹⁸^,²⁰.

Tabel 8 toont een geconsolideerde kruisvalidatieanalyse van MobileNetV2, Inception-ResNet-V2 en EfficientNetV1 met 5-voudige validatie. De tabel presenteert het gemiddelde en de standaarddeviatie van nauwkeurigheid, precisie, recall en F1-score, samen met de nauwkeurigheid per vouw. MobileNetV2 vertoont stabiele maar relatief lagere prestaties, terwijl Inception-ResNet-V2 zowel nauwkeurigheid als consistentie verbetert. EfficientNetV1 behaalt de hoogste gemiddelde nauwkeurigheid (0,989 ± 0,003) met de laagste variantie, wat duidt op een uitstekend generalisatievermogen. Zijn consistent hoog nauwkeurigheid per vouw (0,986–0,992) demonstreren robuuste en stabiele prestaties over meerdere datasplitsingen, waardoor het als het meest effectieve model voor vier-klasse hersentumor MRI classificatie in deze studie wordt gevestigd.

Beperkingen van de studie
De huidige evaluatie van het framework is uitsluitend gebaseerd op online data-augmentatie, wat de robuustheid bij het omgaan met een grotere gegevensvariabiliteit in realistische scenario's kan beperken. Bovendien onderzoekt de studie voornamelijk kenmerkextractie vanuit de laatste convolutionele lagen, zonder de potentiële voordelen van het incorporeren van multi-laag kenmerkfusie te beoordelen. Het onderzoek is ook beperkt tot statische MRI datasets en is niet gevalideerd in een live klinische workflow, wat integratie-uitdagingen kan opleveren.

Toekomstige onderzoeksrichtingen
Toekomstig werk zou multi-laag kenmerkaggregatie van MobileNetV2 en andere backbones moeten onderzoeken om de classificatie-nauwkeurigheid verder te verbeteren. Het uitbreiden van het framework om multi-modaal beeldgegevens te ondersteunen en de prestaties ervan te valideren in realtime klinische omgevingen zal de praktische toepasbaarheid ervan versterken. Bovendien kan het optimaliseren van de architectuur voor implementatie op mobiele en IoT-platforms, gekoppeld aan geavanceerde augmentatietechnieken en realistische patiëntgegevens, schaalbare, hoge prestatie hersentumordiagnostica mogelijk maken in diverse gezondheidszorginstellingen.

Conclusie
Deze studie presenteert een lichtgewicht, aandachtsgeleide transfer learning framework voor vier-klasse hersentumorclassificatie met behulp van MRI beelden. Door gebruik te maken van transfer learning met MobileNetV2, EfficientNetV1 en Inception-ResNet-V2, behaalt het model hoge nauwkeurigheid terwijl het computationele efficiëntie behoudt, waardoor het mogelijk geschikt is voor klinisch omgevingen met beperkte bronnen. Experimenten op een uitgebalanceerde vier-klasse MRI dataset tonen aan dat EfficientNetV1 de beste resultaten levert, met 99% nauwkeurigheid, precisie, recall en F1-score. De voorgestelde architectuur balanceert effectief prestatie en resourcegebruik, waardoor het een veelbelovende aanpak biedt voor medische beeldvormingsscenario's met beperkte bronnen.

```

Disclosures

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

De auteurs hebben geen belangenconflicten te melden.

Acknowledgements

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Voor dit onderzoek is geen externe financiering ontvangen.

Materials

```html

List of materials used in this article
Name	Company	Catalog Number	Comments
Brain MRI Dataset	IEEE	https://dx.doi.org/10.21227/q2vt-tf46	Het dataset wordt gedownload met toegang tot het instituut. Het MRI-dataset bevat vier klassen: glioom, meningeoom, hypofysetumor en normale hersenen
CNN Accelerator (Layer Fusion)	Voorgesteld werk	—	Logische fusie van bovenste convolutionele lagen om geheugentoegang te verminderen en computationele efficiëntie te verbeteren
Custom Attention Module	Voorgesteld werk	—	Aandachtsmechanisme dat max-pooling en average-pooling integreert om op tumor-relevante regio's te focussen
EfficientNetV1	Google	Voorgetraind (ImageNet)	Schaalbare CNN-architectuur die een optimale balans biedt tussen nauwkeurigheid en efficiëntie
Google Colaboratory	Google	https://colab.research.google.com/	Cloud-gebaseerd omgeving gebruikt voor modeltraining, evaluatie en experimenteren met GPU-ondersteuning
Inception-ResNet-V2	Google	Voorgetraind (ImageNet)	Diepe hybride CNN-architectuur die Inception-modules combineert met residual connections
Keras	Google	v2.6.0	Hoog niveau neurale netwerk API gebouwd op TensorFlow voor snelle model prototyping
Matplotlib	Matplotlib ontwikkelaars	v3.4.3	Visualisatiebibliotheek gebruikt voor het plotten van trainingscurves, verwarringsmatrices en prestatiemetrieken
MobileNetV2	Google	Voorgetraind (ImageNet)	Lichtgewicht CNN-backbone geoptimaliseerd voor mobiele en edge-implementatie
NumPy	NumPy ontwikkelaars	v1.21.4	Kern wetenschappelijke computing bibliotheek gebruikt voor numerieke operaties
Pandas	Pandas ontwikkelingsteam	v1.3.4	Gegevensbehandelings- en manipulatiebibliotheek gebruikt voor datasetorganisatie en metadataverwerking
Python	Python Software Foundation	v3.8.10	Primaire programmeertaal gebruikt voor gegevensvoorverwerking, modelontwikkeling en evaluatie
Scikit-learn	Scikit-learn ontwikkelaars	Laatste stabiele versie	Gebruikt voor prestatie-evaluatiemetrieken zoals precisie, recall, F1-score en verwarringsmatrices
Seaborn	Seaborn ontwikkelaars	Laatste stabiele versie	Hoog niveau statistische visualisatiebibliotheek gebruikt voor verbeterde grafische analyse
TensorFlow	Google	v2.6.0	End-to-end deep learning framework gebruikt voor het implementeren van CNN-backbones en aandachtsmodules

```

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Aandacht-gestuurd Transfer Learning Framework voor Classificatie van Vier Klasse Hersentumoren met behulp van MRI

In This Article

Summary

Abstract

Introduction

Protocol

Results

Discussion

Disclosures

Acknowledgements

Materials

Reprints and Permissions

Tags

Related Articles