考虑数据不平衡的可解释成本敏感深度神经网络用于脑 MRI 图像脑肿瘤检测
计算机视觉与模式识别
2023-08-02 v1
摘要
本文提出一项研究，使用卷积神经网络（CNN）、ResNet50、InceptionV3、EfficientNetB0 和 NASNetMobile 模型高效检测脑肿瘤，以减少报告人工审阅所需时间并创建自动化的脑肿瘤分类系统。我们提出了一种包含五种模型的自动流水线：CNN、ResNet50、InceptionV3、EfficientNetB0 和 NASNetMobile。所提架构在平衡数据集上的性能评估显示，微调的 InceptionV3 模型准确率达 99.33%。此外，引入了可解释 AI 方法来可视化模型的潜在行为，以理解其黑箱行为。为进一步优化训练过程，提出了一种成本敏感神经网络方法以处理不平衡数据集，其准确率比实验中使用的常规模型高出近 4%。成本敏感的 InceptionV3（CS-InceptionV3）和 CNN（CS-CNN）在不平衡数据集上分别展现出 92.31% 的 promising 准确率和 1.00 的召回值。所提模型在提升肿瘤检测准确率方面潜力巨大，须进一步开发以应用于实际解决方案。我们已提供数据集并在以下地址公开实现：https://github.com/shahariar-shibli/Explainable-Cost-Sensitive-Deep-Neural-Networks-for-Brain-Tumor-Detection-from-Brain-MRI-Images
引用
@article{arxiv.2308.00608,
title = {Explainable Cost-Sensitive Deep Neural Networks for Brain Tumor Detection from Brain MRI Images considering Data Imbalance},
author = {Md Tanvir Rouf Shawon and G. M. Shahariar Shibli and Farzad Ahmed and Sajib Kumar Saha Joy},
journal= {arXiv preprint arXiv:2308.00608},
year = {2023}
}