Research Article

Wstępne przetwarzanie obrazów i czułość optymalizatorów: implikacje dla sieci neuronowych splotowych w diagnozowaniu guzów mózgu

DOI:

10.3791/69459

⸱

February 17th, 2026

 ,  ,  , 
1Gandhi Institute of Technology and Management (GITAM) Deemed to be University, 2Koneru Lakshmaiah Education Foundation, 3Sasi Institute of Technology & Engineering

In This Article

Summary

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

Niniejsze badanie wykorzystuje kontrolowane ramy do oceny potoków wstępnego przetwarzania i optymalizatorów w ramach stałej architektury, z celem ustalenia, jak klasyczne przetwarzanie wstępne wpływa na optymalizatory i konwolucyjne sieci neuronowe (CNN) w klasyfikacji guzów mózgu.

Abstract

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

Klasyfikacja guzów mózgu za pomocą rezonansu magnetycznego (MRI) stanowi wyzwania ze względu na różnice w rozmiarze, kształcie i fakturze guza. Chociaż tradycyjne metody wstępnego przetwarzania obrazu są powszechnie stosowane w celu poprawy jakości wejścia, ich wpływ na zachowanie optymalizatora i wydajność CNN nie został jeszcze dokładnie zbadany. Badania te analizują wpływ preprocessingu na zbieżność, uogólnienie i dokładność klasyfikacji w różnych optymalizatorach. Wykorzystujemy publicznie dostępny zbiór danych Kaggle do tworzenia dwóch potoków wstępnego przetwarzania: bazowego potokowego, który jedynie zmienia rozmiar obrazów, oraz tradycyjnego potoku, który konwertuje obrazy na skalę szarości, rozmywa je i stosuje filtrowanie morfologiczne. Następnie testujemy, jak te potoki wpływają na trzy optymalizatory: Adam, Root Mean Square Propagation (RMSProp) oraz Stochastic Gradient Descent (SGD). Do rozdzielenia zmiennych protokołu stosuje się stałą architekturę CNN na całym terenie. Wydajność ocenia się na podstawie dokładności, precyzji, przypomnienia oraz wyniku F1, które są weryfikowane przez pięciokrotną weryfikację krzyżową. Wyniki pokazują, że wstępne przetwarzanie bazowe konsekwentnie zapewnia wyższą dokładność i bardziej stabilną zbieżność we wszystkich optymalizatorach, przy czym RMSProp i SGD osiągają najwyższą średnią dokładność 99,53% przy pięciokrotnej walidacji krzyżowej. Wyniki dotyczą niedostatecznie zbadanego wpływu preprocessingu na wydajność optymalizatora, podkreślając potrzebę strategii treningowych świadomych preprocessingu, aby poprawić odporność i interpretowalność w analizie obrazów medycznych.

Introduction

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

Klasyfikacja guzów mózgu za pomocą rezonansu magnetycznego (MRI) jest kluczowym zadaniem w neuroonkologii, gdzie wczesna i dokładna diagnoza bezpośrednio wpływa na planowanie leczenia i wyniki leczenia1. CNN stały się dominującym podejściem do automatyzacji tego procesu dzięki zdolności do nauki hierarchicznych cech przestrzennych i teksturalnych bezpośrednio z surowych danych obrazowych2. Jednak jakość danych wejściowych pozostaje kluczowym czynnikiem decydującym o wydajności modelu. Klasyczne techniki wstępnego przetwarzania – takie jak konwersja w skale szarości, rozmycie Gaussa, progowanie i operacje morfologiczne – są rutynowo stosowane w celu redukcji szumów i podkreślenia granic strukturalnych 3,4,5. Gangadharan i in. przeprowadzili analizę porównawczą modeli głębokiego uczenia do przewidywania guzów mózgu, podkreślając zmienność wydajności w różnych architekturach oraz znaczenie cech zbioru danych w kształtowaniu wyników6. Qureshi i in. zaproponowali ultralekki CNN do wykrywania guzów wieloklasowych, kładąc nacisk na efektywność obliczeniową i zastosowanie w czasie rzeczywistym bez kompromisu w zakresie diagnostyki7. Wykraczając poza obrazowanie strukturalne, Qureshi i in. badali klasyfikację radiogenomową, wykorzystując połączone cechy multiomiczne z wieloparametrycznych skanów MRI do przewidywania statusu metylowania promotora metylu-gwaninotransferazy DNA (MGMT), wykazując potencjał zintegrowanych modalności danych dla nieinwazyjnego profilowania nowotworów8. Pomimo ich powszechności, wpływ tych transformacji na dynamikę treningów CNN, zachowanie optymalizatorów i interpretowalność pozostaje niedostatecznie zbadany.

Najnowsze postępy w klasyfikacji guzów mózgu koncentrują się na złożoności architektonicznej, hybrydach segmentacji i klasyfikacji oraz uczeniu transferowym. Na przykład MultiFeNet wykorzystuje wieloskalową fuzję cech do poprawy reprezentacji przestrzennej9, podczas gdy modele zespołowe i 3D CNN oferują wysoką jakość pracy kosztem zwiększonego narzutu obliczeniowego10,11. Najnowsze badania nad metodami hybrydowymi, takie jak transformacja falkowa z pomocą maszyny wektorowej (SVM) oraz detekcja krawędzi oparta na automatach komórkowych, zazwyczaj wymagają ręcznie wykonanych funkcji lub wieloetapowego przetwarzania12,13. Badania porównawcze nad niezrównoważonymi zbiorami danych uwypukliły wyzwania związane z osiągnięciem uogólnienia według klas14. Podejścia transferowe do uczenia wykorzystujące wcześniej wytrenowane sieci, takie jak VGG i ResNet, wykazały obiecujące wyniki w klasyfikacji MRI15, 16, 17; jednak często traktują preprocessing jako stały krok upstream. Modele te rzadko izolują, jak transformacje wejściowe wpływają na zbieżność optymalizatora lub zachowanie semantyczne.

Badania uwzględniające preprocessing zaczęły podkreślać tę lukę. Ivanescu i in. wykazali, że nadmierne filtrowanie może pogarszać wrażliwość CNN na subtelne wzorce nowotworowe3. Vu i in. wykazali, że konwersja i zmiana rozmiaru w odcieniach szarości mogą odrzucać informacje kontekstowe, co wpływa na dokładność diagnostyczną4. Hooper i in. ujawnili, że filtrowanie w górnej części prowadzonej Tomografii Komputerowej (CT) indukuje zmienność wydajności, podkreślając kruchość CNN wobec przesunięcia domen5. Kundu i in. zaproponowali transformacje intensywności oparte na Gaussowskim w celu poprawy segmentacji18; jednak nie oceniono czułości optymalizatora. Tymczasem Asiri i in. oraz Aamir i in. zoptymalizowali hiperparametry CNN do wykrywania guzów mózgu16,17, zauważając lepszą wydajność Adama bez analizy reakcji na zmiany wstępnego przetwarzania. Narzędzia wyjaśnialności, takie jak Gradient-weighted Class Activation Mapping (Grad-CAM) oraz SHapley Additive ExPlanations (SHAP), pogłębiły nasze rozumienie podejmowania decyzji CNN poprzez wizualizację regionów dyskryminujących klasę19,20. Metody te są niezbędne do weryfikacji, czy wstępne przetwarzanie poprawia, czy zniekształca zapamiętywanie semantyczne.

Jednak niewiele badań systematycznie analizowało, jak preprocessing wpływa na zbieżność optymalizatorów, uogólnienie i interpretowalność w ramach stałej architektury – kwestie istotne zarówno klinicznie, jak i obliczeniowo. Klinicznie nadmierne wygładzanie lub transformacje intensywności mogą osłabić diagnostycznie istotne gradienty tekstury i przestrzenne, obniżając wierność lokalizacji i zaufanie klinicystów. Obliczeniowo, optymalizatory reagują różnie na zmiany skali cech i wariancji gradientu; Niedopasowania między złożonością wejściową a dynamiką optymalizatora mogą prowadzić do niestabilnej zbieżności lub słabszej generalizacji.

Aby temu zaradzić, wprowadzamy ramy dwuścieżkowe, które systematycznie porównują bazowe (tylko z zmianą rozmiaru) i tradycyjne potoki wstępne w trzech optymalizatorach — Adam, RMSProp i SGD — wykorzystując spójną architekturę CNN oraz zbiór danych BR35H Kaggle21. Oceniamy wydajność klasyfikacji, szybkość zbieżności oraz interpretowalność za pomocą Grad-CAM, weryfikowanych poprzez pięciokrotną weryfikację krzyżową. W przeciwieństwie do wcześniejszych prac łączących zmiany architektoniczne i wstępne, protokół ten izoluje preprocessing jako niezależną zmienną, ujawniając, że agresywne filtrowanie może utrudniać działanie optymalizatora i uwagę.

Przedstawione tutaj ramy oferują kilka zalet w porównaniu z istniejącymi modelami. Po pierwsze, wyraźnie ocenia interakcje między strategiami preprzetwarzania a optymalizatorami, co jest często pomijane w badaniach zespołowych i transferowych 15,16,17. Po drugie, utrzymuje stałą architekturę CNN, symulując w ten sposób rzeczywiste ograniczenia wdrożenia, gdzie rekonfiguracja jest zazwyczaj niepraktyczna22. Po trzecie, integruje metody wizualnej atrybucji do oceny zapamiętywania semantycznego, uzupełniając wcześniejsze badania radiomiki i ręcznie wykonywane23. Wreszcie, ramy oferują powtarzalne wglądy w strategie szkoleniowe świadome preprocessing, zwiększając tym samym zarówno odporność, jak i interpretowalność.

Poprzez syntezę wniosków z metod wstępnego przetwarzania 3,4,5, badań optymalizatorskich16,17 oraz narzędzi wyjaśnialności19,20, praca ta przedstawia praktyczny i interpretowalny proces klasyfikacji guzów mózgu, który równoważy dokładność, stabilność i znaczenie kliniczne.

Access restricted. Please log in or start a trial to view this content.

Protocol

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

Rysunek 1 przedstawia przegląd przepływu pracy protokołu. Badanie to analizuje wpływ klasycznego preprzetwarzania obrazów na wydajność CNN oraz zachowanie optymalizatorów w klasyfikacji guzów mózgu za pomocą MRI. Protokół obejmuje przygotowanie zbiorów danych, podwójne ścieżki wstępnego przetwarzania, architekturę modeli, konfigurację optymalizatorów, ocenę wydajności oraz walidację interpretowalności. Wszystkie eksperymenty zostały wykonane w Pythonie 3.10.12 przy użyciu Keras w wersji 2.13.1 z backendem TensorFlow, OpenCV w wersji 4.8.0 oraz Matplotlib w wersji 3.8.0.

Przygotowanie zbioru danych
W badaniu wykorzystano zestaw danych MRI guza mózgu BR35H z Kaggle21, składający się z 3000 obrazów podzielonych równo na klasy z obecnością guza ("tak") i bez guza ("nie"). Wszystkie obrazy zostały zmniejszone do 128 × 128 pikseli za pomocą funkcji cv2.resize w OpenCV, aby ustandaryzować wymiary wejściowe w różnych eksperymentach. Stratyfikowane próbkowanie z train_test_split Scikit-learn zapewniło zrównoważoną reprezentację w całym zbiorze treningowym (80%) oraz zbiorze walidacyjnym (20%), utrzymując tym samym spójność rozkładu klas w każdym zborze.

Oprócz publicznego zbioru danych BR35H, zweryfikowaliśmy ten protokół za pomocą niezależnego zbioru danych zebranego z Ultralytics Brain Cup Dataset (https://docs.ultralytics.com/datasets/detect/brain-tumor/). Ten zbiór danych składa się z ważnego zestawu treningowego 878 obrazów oraz zestawu testowego 223 obrazów, z dwoma jasno zdefiniowanymi klasami: Negatywnymi (obrazy bez guzów mózgu) oraz Dodatnimi (obrazy z guzami mózgu). Uwzględnienie tego niezależnego zbioru danych pozwoliło nam lepiej ocenić uogólnialność i odporność frameworka poza oryginalnymi danymi źródłowymi.

Potoki wstępne przetwarzania
Wprowadzono dwa odrębne procesy wstępnego przetwarzania, aby ocenić wpływ klasycznego przetwarzania obrazów. Potok Baseline Preprocessing (BP) po prostu zmieniał rozmiar obrazów do 128 × 128 pikseli bez dalszych transformacji, zachowując tym samym surową intensywność pikseli i cechy strukturalne jako warunek kontroli. Tradycyjny potok przetwarzania wstępnego (TP) zastosował sekwencję klasycznych kroków przetwarzania obrazu z wykorzystaniem funkcji OpenCV: konwersję do skali szarości (cv2.cvtColor) w celu zmniejszenia wymiarowości kanału, rozmycie Gaussa (cv2. GaussianBlur) do tłumienia szumów i zwiększenia kontrastu24, progowania (cv2.threshold) do segmentacji struktur o wysokiej intensywności25, operacji morfologicznych (cv2.erode, cv2.dilat) do doprecyzowania krawędzi i redukcji artefaktów26 oraz detekcja konturów (cv2.findContours) do identyfikacji interesujących obszarów. Ten pipeline poprawiał kontrast i zmniejszał wizualny bałagan, choć groził tłumieniem tekstury istotnej dla diagnostyki.

Architektura modelu
Wprowadzono niestandardowe CNN, które było utrzymywane na stałym poziomie we wszystkich eksperymentach, aby wyizolować efekty wstępnego przetwarzania i wyboru optymalizatora. Architektura składała się z warstwy wejściowej (128 × 128 × 1), trzech warstw splotowych (pierwsza z 32 filtrami, a kolejne dwie z 64 filtrami, wszystkie wykorzystujące 2 × 2 jądra oraz aktywację ReLU (ReLU), każda z nich była połączona z 2 × 2 maksymalnym poolowaniem. Wyjście było spłaszczane i przechodziło przez gęstą warstwę 128 jednostek z aktywacją ReLU, następnie warstwę dropout (szybkość = 0,5), a na końcu pojedynczą jednostkę sigmoidową do klasyfikacji binarnej. Ten projekt zachowuje równowagę między interpretowalnością a efektywnością obliczeniową, co czyni go odpowiednim dla sprzętu klinicznego o ograniczonych zasobach.

Konfiguracja optymalizatora
Oceniono trzy optymalizatory z ustalonym hiperparametrem: Adam (tempo uczenia = 0,001,β 1 = 0,9, β2 = 0,999, epsilon = 1e−07), RMSProp (tempo uczenia = 0,001, rho = 0,9, epsilon = 1e−07) oraz SGD (tempo uczenia = 0,005, pęd = 0,9, wyłączony Nesterov). Parametry treningowe były utrzymywane na stałym poziomie we wszystkich eksperymentach, z wielkością partii 32, 50 epoch, oraz wczesnym zatrzymaniem (cierpliwość = 10) implementowanymi za pomocą wywołań Keras, aby zapobiec nadmiernemu dopasowaniu.

Ocena wyników
Wyniki oceniano za pomocą dokładności, precyzji, przypomnienia oraz wyniku F1, obliczonych za pomocą classification_report Scikit-learn. Krzywe strat treningowych i walidacyjnych zostały narysowane za pomocą Matplotlib w celu oceny prędkości zbieżności i wykrycia nadmiernego dopasowania. Wyniki zostały stabelowane i zwizualizowane, aby porównać czułość optymalizatora w różnych warunkach wstępnego przetwarzania.

Walidacja interpretowalności
Interpretowalność została zweryfikowana za pomocą wizualizacji Grad-CAM generowanych z ostatniej warstwy splotowej. Mapy ciepła były generowane przy użyciu funkcji Keras i TensorFlow, a następnie nakładane na oryginalne obrazy MRI za pomocą Matplotlib. Ten krok zapewnił, że przestrzenna uwaga CNN była zgodna z klinicznie istotnymi obszarami nowotworowymi, co wspierało przejrzystość i zaufanie diagnostyczne.

Access restricted. Please log in or start a trial to view this content.

Results

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

Optymalizator Adama – Podstawowe wstępne przetwarzanie:
Rysunek 2 ilustruje wydajność modelu klasyfikacji guzów mózgu z wykorzystaniem optymalizatora Adama z podstawowym wstępnym przetwarzaniem. Macierz pomyłek pokazuje niemal idealne rozdzielenie przypadków nowotworowych i nienowotworowych, z zaledwie 8 błędnymi klasyfikacjami spośród 600 próbek. Dołączony raport klasyfikacji potwierdza to z precyzją, przypomnieniem i wynikami F1, wszystkie na poziomie lub powyżej 0,9...

Access restricted. Please log in or start a trial to view this content.

Discussion

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

Sukces klasyfikacji guzów mózgu opartej na CNN w tym badaniu był przede wszystkim napędzany dwoma komponentami protokołu: projektowaniem wstępnego przetwarzania oraz wyborem optymalizatora. Podstawowe wstępne przetwarzanie — składające się wyłącznie z zmiany rozmiaru obrazu — zachowywało natywną intensywność pikseli i strukturę przestrzenną, umożliwiając modelu naukę cech klinicznie istotnych. Dla kontrastu, tradycyjne metody wstępnego przetwarzania (takie jak konwersja na skalę szarości, rozmycie Gaussa, progowanie i op...

Access restricted. Please log in or start a trial to view this content.

Disclosures

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

Autorzy nie mają nic do ujawnienia.

Acknowledgements

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

Autorzy wyrażają swoje podziękowania i szczere podziękowania Uniwersytetowi GITAM, zespołowi kierowniczymu, dziekanowi oraz kierownikowi Wydziału Informatyki i Inżynierii Komputerowej na kampusie w Visakhapatnam za ich nieustające wsparcie i zachętę dla badań i rozwoju.

Access restricted. Please log in or start a trial to view this content.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
API WrapperKeras2.13.1(RRID:SCR_016345)API wysokiego poziomu dla architektury i treningu CNN
Narzędzie do przypisywania autorstwaImplementacja Grad-CAMCustom (za pośrednictwem Keras)Wizualne wyjaśnienie uwagi CNN
Zestaw danych MRI guza mózgu BR35H  Kagglehttps://www.kaggle.com/ahmedhamada0/brain-tumor-detectionŹródło oznakowanych obrazów MRI do klasyfikacji 
Zestaw danych o guzie mózgu Ultralitykihttps://docs.ultralytics.com/datasets/detect/brain-tumor/
Biblioteka Deep LearningTensorFlow2.15.0 (RRID:SCR_018345)Backend do implementacji modelu CNN
Przetwarzanie obrazuOpenCV4.8.0 (RRID:SCR_015526)Wstępne przetwarzanie: skala szarości, rozmycie, próg, morfologia
Język programowaniaPython3.10.12 (RRID:SCR_008394)Środowisko wykonawcze dla wszystkich eksperymentów
WizualizacjaMatplotlib3.8.0 (RRID:SCR_008624)Rysowanie krzywych strat i nakładek Grad-CAM

References

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Devkota, B., et al. Image segmentation for early stage brain tumor detection using mathematical morphological reconstruction. Procedia Comput Sci. 125, 115-123 (2018).
  2. Antony, A., Minla, K. S. Brain tumor detection from MRI images using CNN. Int J Creat Res Thoughts. 10 (4), 95-100 (2022).
  3. Ivanescu, R. C. A statistical evaluation of the preprocessing medical images impact on a deep learning network's performance. Ann Univ Craiova Math Comput Sci Ser. 49 (2), 411-421 (2022).
  4. Vu, H. A. Integrating preprocessing methods and convolutional neural networks for effective tumor detection in medical imaging. arXiv. , (2024).
  5. Hooper, S. M., et al. Impact of upstream medical image processing on downstream performance of a head CT triage neural network. Radiol Artif Intell. 3 (4), e200229(2021).
  6. Comparative analysis of deep learning-based brain tumor prediction models using MRI scan. Gangadharan, S. M. P., et al. 2023 3rd International Conference on Innovative Sustainable Computational Technologies (CISCT), Dehradun, India, , (2023).
  7. Qureshi, S. A., et al. Intelligent ultra-light deep learning model for multi-class brain tumor detection. Appl Sci. 12 (8), 1-22 (2022).
  8. Qureshi, S. A., et al. Radiogenomic classification for MGMT promoter methylation status using multi-omics fused feature space for least invasive diagnosis through mpMRI scans. Sci Rep. 13, 3291(2023).
  9. Agrawal, T., et al. MultiFeNet: multi-scale feature scaling in deep neural network for the brain tumour classification in MRI images. Int J Imaging Syst Technol. 34 (1), 1-15 (2023).
  10. Brain tumor detection using U-Net and 3D CNN architecture. Ghanshala, A., et al. 2022 International Conference on Computing, Communication, and Intelligent Systems (ICCCIS), Greater Noida, India, , (2022).
  11. Medical image denoising and brain tumor detection using CNN and U-Net. Shivahare, B. D., et al. 2023 3rd International Conference on Innovative Sustainable Computational Technologies (CISCT), , Dehradun, India. (2023).
  12. Kumar, S., et al. Enhancing brain tumor segmentation using Berkeley wavelet transformation and improved SVM. Open Bioinform J. 18, e18750362358232(2025).
  13. Cellular automata based edge-detection for brain tumor. Diwakar, M., Patel, P. K., Gupta, K. 2013 International Conference on Advances in Computing, Communications and Informatics (ICACCI, Mysore, India, , (2013).
  14. Agrawal, T., et al. A comparative study of brain tumor classification on unbalanced dataset using deep neural networks. Biomed Signal Process Control. 94, 106256(2024).
  15. Khan, M. A., et al. Transfer learning for accurate brain tumor classification in MRI: a step forward in medical diagnostics. Discov Onc. 16, 1040(2025).
  16. Asiri, A. A., et al. Enhancing brain tumor diagnosis: an optimized CNN hyperparameter model for improved accuracy and reliability. PeerJ Comput Sci. 10, e1878(2024).
  17. Aamir, M., et al. Brain tumor detection and classification using an optimized convolutional neural network. Diagnostics. 14 (16), 1714(2024).
  18. Kundu, S., Das, B., Balas, V. E. Data conditioning to improve segmentation of brain MRI using CNN. Computer Vision and Image Processing. CVIP 2024. Communications in Computer and Information Science. , Springer. Cham. (2025).
  19. Grad-CAM: visual explanations from deep networks via gradient-based localization. Selvaraju, R. R., et al. 2017 IEEE International Conference on Computer Vision (ICCV), Venice, Italy, , (2017).
  20. Iftikhar, S., et al. Explainable CNN for brain tumor detection and classification through XAI based key features identification. Brain Inform. 12, 10(2025).
  21. BR35H: brain tumor detection 2020. , Kaggle Dataset. https://www.kaggle.com/ahmedhamada0/brain-tumor-detection (2021).
  22. Zhang, D., et al. Neural networks-based fixed-time control for a robot with uncertainties and input dead zone. Neurocomputing. 390, 139-147 (2020).
  23. Tabassum, M., et al. Radiomics and machine learning in brain tumors and their habitat: a systematic review. Cancers. 15 (15), 3845(2023).
  24. Gonzalez, R. C., Woods, R. E. Digital Image Processing. , Pearson. Upper Saddle River, NJ. (2008).
  25. Otsu, N. A threshold selection method from gray-level histograms. IEEE Trans Syst Man Cybern. 9 (1), 62-66 (1979).
  26. Haralick, R. M., et al. Image analysis using mathematical morphology. IEEE Trans Pattern Anal Mach Intell. 9 (4), 532-550 (1987).
  27. Esteva, A., et al. Dermatologist-level classification of skin cancer with deep neural networks. Nature. 542, 115-118 (2017).
  28. Tjoa, E., Guan, C. A survey on explainable artificial intelligence (XAI): toward medical XAI. IEEE Trans Neural Netw Learn Syst. 32 (11), 4793-4813 (2021).
  29. Maier-Hein, L., et al. Metrics reloaded: recommendations for image analysis validation. Nat Methods. 21 (2), 195-212 (2024).
  30. Pineau, J., et al. Improving reproducibility in machine learning research. J Mach Learn Res. 22 (164), 1-20 (2021).
  31. Yaqub, M., et al. State-of-the-art CNN optimizer for brain tumor segmentation in magnetic resonance images. Brain Sci. 10 (7), 1-20 (2020).

Access restricted. Please log in or start a trial to view this content.

Reprints and Permissions

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

Request Permission

Tags

Brain Tumor ClassificationImage PreprocessingConvolutional Neural NetworksMRI Brain TumorsOptimizer SensitivityCNN PerformanceRMSProp OptimizerStochastic Gradient DescentFive Fold Cross ValidationMedical Image Analysis

Related Articles