通过迁移学习结合完全微调和改进的CNN架构实现高性能脑肿瘤分类

《Biomedical Signal Processing and Control》:High-performance brain tumor classification via transfer learning with fully fine-tuned and modified CNN architectures

【字体: 大 中 小 】 时间:2026年10月12日 来源:Biomedical Signal Processing and Control 5.7

编辑推荐:

   摘要由于人工解读MRI的局限性,准确且及时的脑肿瘤诊断仍然面临挑战。本研究引入了一种迁移学习框架,使用六种完全微调并改进的CNN架构:DenseNet169、InceptionV3、Xception、ResNet50、InceptionResNetV2和EfficientNe

  

摘要

由于人工解读MRI的局限性,准确且及时的脑肿瘤诊断仍然面临挑战。本研究引入了一种迁移学习框架,使用六种完全微调并改进的CNN架构:DenseNet169、InceptionV3、Xception、ResNet50、InceptionResNetV2和EfficientNetB0,每种架构均配备了重新设计的分类头。所提出的分类头将全局平均池化与四个全连接层(分别为1024、512、256和128个神经元)相结合,并融入了ReLU激活函数、批归一化(Batch Normalization)和 dropout,以增强模型的泛化能力。模型在Kaggle脑肿瘤MRI数据集上进行训练,该数据集包含来自四个肿瘤类别的7,023张图像,并采用数据增强和五折分层交叉验证以进行稳健评估。结果表明,改进后的CNN达到了最先进的性能水平,其中InceptionResNetV2获得了最高准确率(98.7%)和F1分数(98.7%),且过拟合现象极少。Xception和DenseNet169也展现了较强的性能,且计算成本更低。总体而言,所提出的完全微调架构为自动化脑肿瘤分类提供了一种高效且可复现的解决方案,可为放射科医生提供支持并提高诊断工作流程效率。

引言

大脑是人体中最复杂且最重要的器官,负责控制所有随意和不随意活动[1]、[2]。它由一个庞大的神经元网络组成,执行着各种功能。脑组织中细胞的异常增生源于细胞生长的失控,可能导致肿瘤的形成[3]。脑肿瘤通常被分为两大类:恶性(癌性)和良性(非癌性)。这两种类型均可能增加颅内压、损伤脑组织,并对人类健康构成严重威胁[4]、[5]、[6]。脑肿瘤的治疗尤其具有挑战性,因为它们在早期阶段往往难以检测。在这些肿瘤类型中,脑膜瘤、胶质瘤和垂体瘤被认为是最具临床意义且风险最高的类型。如果未经治疗,它们可能导致严重的并发症,并最终导致死亡[7]。
磁共振成像(MRI)常用于在治疗前后评估肿瘤生长情况,有助于手术准备和疾病进展追踪。MRI模态包括四种类别:T1加权(T1W)、对比增强T1加权(T1Wc)、T2加权(T2W)以及液体衰减反转恢复(FLAIR)T2加权[8]。肿瘤诊断通常涉及四个基本步骤:神经学和临床检查、肿瘤定位、活检以及组织与细胞分析以确定肿瘤分级。活检在判断脑肿瘤是否具有侵袭性或非侵袭性方面起着最关键的作用;然而,其缺点包括侵入性和耗时,这可能危及生命,并可能导致诊断结果出现差异[9]。
脑肿瘤的早期检测和准确分类对于使患者在肿瘤发展的早期阶段接受治疗至关重要,这可以延长患者的预期寿命[10]。然而,目前医生和放射科医生需要手动审阅脑部MRI图像,以区分肿瘤与健康组织、对其进行分类,并进行精确的识别和评估。这一过程耗时较长、容易出现人为错误,并显著增加医疗成本[11]。在过去十年中,随着人工智能的发展,特别是在脑肿瘤计算机辅助诊断方面取得了重大进展,为医生在肿瘤类型不确定或需要进一步评估时提供了宝贵的辅助[12]。近期,强大的深度学习(DL)模型通过卷积神经网络(CNNs)彻底改变了计算机视觉领域,同时也增强了基于MRI的分类任务[13]。随着癌症患者数量不断增加,对能够以一致的方式准确且快速地评估肿瘤分级的非侵入性计算机辅助诊断(CAD)工具的需求日益增长[14]。已经提出了多种技术,包括机器学习(ML)和深度学习(DL),用于脑肿瘤分类。深度学习是机器学习的一个子集,也是人工智能(AI)中的一种基本方法[15]、[16]。
尽管现有的深度学习方法取得了重大进展,但仍存在若干研究空白。许多研究在利用迁移学习时并未系统地分析不同微调策略的影响,例如部分微调与全网微调的对比。此外,分类头的设计往往被视为固定组件,其性能影响尚未得到彻底研究。另外,大多数现有工作主要关注骨干架构,而忽视了架构改进在提高泛化能力方面的作用。此外,评估通常采用简单的训练-测试划分方式,而非稳健的交叉验证方案,这可能导致性能被高估,且泛化能力有限。
为弥补这些不足,本文提出了一种基于完全微调并改进的CNN架构的四类脑肿瘤分类新框架。具体而言,我们使用四层全连接块结合全局平均池化(GAP)、批归一化和 dropout 重新设计了分类头,以增强泛化能力并减少过拟合。此外,我们对六种最先进的CNN骨干架构进行了系统的对比评估,以确定最适合该任务的有效架构。另外,采用分层k折交叉验证策略以确保评估的公平性和可靠性。

章节摘要

相关工作

深度学习领域的最新进展显著提升了使用MRI进行脑肿瘤分类的性能。现有研究可大致分为基于CNN的方法、迁移学习(TL)方法、混合模型和集成技术。
基于CNN的方法在从MRI图像中提取层次化特征方面已展现出强大的性能。例如,Aurna等人[17]提出了一种结合主成分分析(PCA)进行特征提取的两阶段深度CNN集成方法。

材料与方法

在本研究中,采用了迁移学习方法,使用六种预训练深度学习模型进行脑肿瘤检测:DenseNet169、InceptionV3、Xception、ResNet50、InceptionResNetV2和EfficientNetB0。该任务被构建为四类分类问题。通过生成图像的旋转、翻转、平移和缩放副本,应用了数据增强,从而增加了模型训练的数据集多样性。这一过程使模型接触到更广泛的图像变化,增强了其...

结果与讨论

在本研究中,决定省略仅训练分类头的阶段(即常见的冻结所有特征提取层并仅训练新添加的分类头的做法),从一开始就进行全网微调,主要基于两个方面的考虑。这种方法减少了整体训练时间和神经网络架构的计算成本。本研究使用的数据集(N ≈ 7,000张图像)规模足够大,能够支持...

结论与未来工作

由于其强大的组织对比能力和提供精确结构细节的能力,MRI是识别和区分各种脑肿瘤的有效工具。它在指导治疗决策方面发挥着至关重要的作用。在医学图像(特别是MRI和CT扫描获得的图像)中准确检测、分类和识别脑肿瘤是临床诊断的关键环节。MRI与先进分析技术的结合可以增强这一...

CRediT作者贡献声明

Mahsa Akhbari:写作——审阅与编辑,指导。Vahid Nazmdeh:写作——原稿撰写,方法论。

利益冲突声明

作者声明他们没有已知可能影响本文所述工作的竞争财务利益或个人关系。

致谢

作者感谢Maryam Hashemi博士和Christian Jutten教授对本文提供的有益意见。
Mahsa Akhbari | Vahid Nazmdeh
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号