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

Summary

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

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

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 – ....

Protocol

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

Results

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.......

Discussion

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.......

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
API Wrapper	Keras	2.13.1(RRID:SCR_016345)	API wysokiego poziomu dla architektury i treningu CNN
Narzędzie do przypisywania autorstwa	Implementacja Grad-CAM	Custom (za pośrednictwem Keras)	Wizualne wyjaśnienie uwagi CNN
Zestaw danych MRI guza mózgu BR35H	Kaggle	https://www.kaggle.com/ahmedhamada0/brain-tumor-detection	Źródło oznakowanych obrazów MRI do klasyfikacji
Zestaw danych o guzie mózgu	Ultralityki	https://docs.ultralytics.com/datasets/detect/brain-tumor/
Biblioteka Deep Learning	TensorFlow	2.15.0 (RRID:SCR_018345)	Backend do implementacji modelu CNN
Przetwarzanie obrazu	OpenCV	4.8.0 (RRID:SCR_015526)	Wstępne przetwarzanie: skala szarości, rozmycie, próg, morfologia
Język programowania	Python	3.10.12 (RRID:SCR_008394)	Środowisko wykonawcze dla wszystkich eksperymentów
Wizualizacja	Matplotlib	3.8.0 (RRID:SCR_008624)	Rysowanie krzywych strat i nakładek Grad-CAM