Beeldvoorverwerking en gevoeligheid voor optimizers: implicaties voor convolutionele neurale netwerken bij het diagnosticeren van hersentumoren

Summary

Deze studie maakt gebruik van een gecontroleerd kader om preprocessing-pijplijnen en optimizers binnen een vaste architectuur te evalueren, met als doel te bepalen hoe klassieke preprocessing optimizers en Convolutional Neural Networks (CNN's) beïnvloedt bij hersentumorclassificatie.

Abstract

De classificatie van hersentumoren met behulp van magnetische resonantiebeeldvorming (MRI) brengt uitdagingen met zich mee vanwege variaties in tumorgrootte, vorm en textuur. Hoewel traditionele beeldvoorbewerkingsmethoden vaak worden gebruikt om de invoerkwaliteit te verbeteren, is hun impact op het gedrag van optimizers en CNN-prestaties nog niet grondig onderzocht. Dit onderzoek onderzoekt het effect van preprocessing op convergentie, generalisatie en classificatienauwkeurigheid bij verschillende optimizers. We gebruiken een publiek beschikbare Kaggle-dataset om twee preprocessing-pijplijnen te creëren: een basislijnpijplijn die alleen afbeeldingen van grootte aanpast en een traditionele pijplijn die afbeeldingen naar grijstinten omzet, vervagt en morfologische filtering toepast. Vervolgens testen we hoe deze pijplijnen drie optimizers beïnvloeden: Adam, Root Mean Square Propagation (RMSProp) en Stochastic Gradient Descent (SGD). Om protocolvariabelen te scheiden, wordt overal een vaste CNN-architectuur gebruikt. De prestaties worden beoordeeld met behulp van nauwkeurigheid, precisie, herinnering en F1-score, gevalideerd via vijfvoudige kruisvalidatie. De resultaten tonen aan dat basisvoorverwerking consequent hogere nauwkeurigheid en stabielere convergentie oplevert tussen alle optimizers, waarbij RMSProp en SGD de hoogste gemiddelde nauwkeurigheid van 99,53% behalen onder vijfvoudige kruisvalidatie. De bevindingen behandelen het onderbelichte effect van preprocessing op de prestaties van optimizers, waarbij de noodzaak wordt benadrukt van preprocessing-bewuste trainingsstrategieën om robuustheid en interpreteerbaarheid in medische beeldanalyse te verbeteren.

Introduction

Hersentumorclassificatie met behulp van magnetische resonantiebeeldvorming (MRI) is een cruciale taak in de neuro-oncologie, waarbij vroege en nauwkeurige diagnose direct invloed heeft op de behandelplanning en de uitkomsten van de patiënt¹. CNN's zijn de dominante methode geworden om dit proces te automatiseren vanwege hun vermogen om hiërarchische ruimtelijke en textuurkenmerken direct uit ruwe beeldgegevens^te leren. De kwaliteit van de invoergegevens blijft echter een belangrijke bepalende factor voor modelprestaties. Klassieke voorverwerkingstechnieken – zoals grijswaardenconversie, ....

Protocol

Figuur 1 toont een overzicht van de protocolworkflow. Deze studie onderzoekt het effect van klassieke beeldpreprocessing op de prestaties van CNN's en het gedrag van optimizers bij hersentumorclassificatie met behulp van MRI. Het protocol omvat datasetvoorbereiding, dual-path preprocessing pipelines, modelarchitectuur, configuratie van optimizers, prestatie-evaluatie en interpreteerbaarheidsvalidatie. Alle experimenten werden uitgevoerd in Python 3.10.12 met Keras versie 2.13.1 met TensorFlow backend, OpenCV versie 4.8.0 en Matplotlib versie 3.8.0.

Datasetvoorbereiding<....

Results

Adam optimizer - Basisvoorverwerking:
Figuur 2 illustreert de prestaties van een hersentumorclassificatiemodel met behulp van de Adam-optimizer met baseline preprocessing. De verwarringsmatrix toont een bijna perfecte scheiding tussen tumoreuze en niet-tumoreuze gevallen, met slechts 8 verkeerde classificaties van de 600 monsters. Het bijbehorende classificatierapport bevestigt dit met precisie, terugroeping en F1-scores, allemaal op of .......

Discussion

Het succes van CNN-gebaseerde hersentumorclassificatie in deze studie werd voornamelijk gedreven door twee protocolcomponenten: preprocessing-ontwerp en optimalisatieselectie. Baseline preprocessing – uitsluitend bestaande uit het verkleinen van het beeld – behield de native pixelintensiteit en ruimtelijke structuur, waardoor het model klinisch relevante kenmerken kan leren. Daarentegen introduceerden traditionele preprocessingmethoden (zoals grijstintenconversie, Gaussische waasheid, dr.......

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 for CNN architecture and training
Attribution Tool	Grad-CAM Implementation	Custom (via Keras)	Visual explanation of CNN attention
BR35H Brain Tumor MRI Dataset	Kaggle	https://www.kaggle.com/ahmedhamada0/brain-tumor-detection	Source of labeled MRI images for classification
Brain Tumor Dataset	Ultralytics	https://docs.ultralytics.com/datasets/detect/brain-tumor/
Deep Learning Library	TensorFlow	2.15.0 (RRID:SCR_018345)	Backend for CNN model implementation
Image Processing	OpenCV	4.8.0 (RRID:SCR_015526)	Preprocessing: grayscale, blur, threshold, morphology
Programming Language	Python	3.10.12 (RRID:SCR_008394)	Execution environment for all experiments
Visualization	Matplotlib	3.8.0 (RRID:SCR_008624)	Plotting loss curves and Grad-CAM overlays