Предобработка изображений и чувствительность оптимизаторов: значение для сверточных нейронных сетей при диагностике опухолей мозга

Summary

В данном исследовании используется контролируемая структура для оценки конвейеров и оптимизаторов предобработки в рамках фиксированной архитектуры, с целью определить, как классическая предобработка влияет на оптимизаторов и сверточные нейронные сети (CNN) в классификации опухолей мозга.

Abstract

Классификация опухолей мозга с помощью магнитно-резонансной томографии (МРТ) представляет собой сложности из-за различий в размерах, форме и текстуре опухоли. Хотя традиционные методы предварительной обработки изображений часто используются для улучшения качества входа, их влияние на поведение оптимизаторов и производительность CNN пока не изучено тщательно. В данном исследовании рассматривается влияние предварительной обработки на сходимость, обобщение и точность классификации различных оптимизаторов. Мы используем общедоступный набор данных Kaggle для создания двух конвейеров предварительной обработки: базового конвейера, который меняет размер только изображений, и традиционного, который преобразует изображения в оттенки серого, размывает их и применяет морфологическую фильтрацию. Затем мы проверяем, как эти конвейеры влияют на три оптимизатора: Адама, Root Average Square Propagation (RMSProp) и стохастический градиентный спуск (SGD). Для разделения протокольных переменных используется фиксированная архитектура CNN. Результаты оцениваются с помощью точности, точности, воспоминания и оценки F1, валидируемых пятикратной перекрёстной валидацией. Результаты показывают, что базовая предобработка стабильно обеспечивает более высокую точность и более стабильную сходимость среди всех оптимизаторов, при этом RMSProp и SGD достигают самой высокой средней точности 99,53% при пятикратной перекрёстной валидации. Результаты рассматривают недостаточно изученное влияние предобработки на производительность оптимизаторов, подчёркивая необходимость стратегий обучения, ориентированных на предобработку, для повышения надёжности и интерпретируемости в анализе медицинских изображений.

Introduction

Классификация опухолей мозга с помощью магнитно-резонансной томографии (МРТ) является ключевой задачей в нейроонкологии, где ранняя и точная диагностика напрямую влияют на планирование лечения и исходы для^{пациентов 1}. CNN стали доминирующим подходом для автоматизации этого процесса благодаря своей способности изучать иерархические пространственные и текстурные особенности непосредственно на основе исходных данных^{изображений 2}. Тем не менее, качество входных данных остаётся ключевым фактором производительности модели. Классические методы предварительной обработки — такие как преобразовани....

Protocol

На рисунке 1 представлен обзор рабочего процесса протокола. В данном исследовании рассматривается влияние классической предварительной обработки изображений на работу CNN и поведение оптимизаторов при классификации опухолей мозга с помощью МРТ. Протокол включает подготовку наборов данных, конвейеры предварительной обработки с двумя путями, архитектуру модели, конфигурацию оптимизаторов, оценку производительности и проверку интерпретируемости. Все эксперименты проводились на Python 3.10.12 с использованием версии Keras 2.13.1 с бэкендом TensorFlow, OpenCV версии 4.8.0 и Matplotlib версии 3.8.0.

Results

Оптимизатор Adam — базовая предобработка:
Рисунок 2 иллюстрирует производительность модели классификации опухолей мозга с использованием оптимизатора Адама с базовой предварительной обработкой. Матрица путаницы показывает почти идеальное разделение между опухолями и неопухолевыми случаями, с лишь 8 ошибками из 600 образцов. Сопроводимый отчёт по классификации подтверждает это точностью, отзывом и результатами F1, все они достигают 0,98 и.......

Discussion

Успех классификации опухолей мозга на основе CNN в этом исследовании был в первую очередь обусловлен двумя компонентами протокола: проектированием предварительной обработки и выбором оптимизаторов. Базовая предобработка — состоящая исключительно из изменения размера изображения — сохраняла нативную интенсивность пикселей и пространственную структуру, позволяя модели изучать клинически значимые признаки. В отличие от этого, традиционные методы предварительной обработки (такие как преобраз.......

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Обёртка API	Керас	2.13.1 (RRID:SCR_016345)	Высокоуровневый API для архитектуры и обучения CNN
Инструмент атрибуции	Реализация Grad-CAM	Custom (через Keras)	Визуальное объяснение внимания CNN
Набор данных BR35H по опухолям мозга МРТ	Каггл	https://www.kaggle.com/ahmedhamada0/brain-tumor-detection	Источник маркированных МРТ-изображений для классификации
Набор данных по опухолям мозга	Ultralytics	https://docs.ultralytics.com/datasets/detect/brain-tumor/
Библиотека глубокого обучения	TensorFlow	2.15.0 (RRID:SCR_018345)	Бэкенд для реализации модели CNN
Обработка изображений	OpenCV	4.8.0 (RRID:SCR_015526)	Предварительная обработка: оттенки серого, размытие, порог, морфология
Язык программирования	Python	3.10.12 (RRID:SCR_008394)	Среда выполнения всех экспериментов
Визуализация	Matplotlib	3.8.0 (RRID:SCR_008624)	Построение кривых потерь и наложений Grad-CAM