Empowering Healthcare: A Platform for Innovative Brain Tumor classification
Loading...
Date
2024-07-14
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
University of M'sila
Abstract
EN
Brain tumors pose a significant challenge to human health, demanding accurate and timely diagnosis for effective treatment. Artificial intelligence (AI), particularly deep learning, has emerged as a promising tool for medical image analysis, offering the potential to improve diagnostic accuracy and efficiency. This work investigates the impact of data balancing on brain tumor detection from Magnetic Resonance Imaging (MRI) scans using pre-trained EfficientNet models (B0, B3, and B5). We trained the models on a combined dataset of 7023 brain MRI images, categorized into four classes: Glioma, Meningioma, No Tumor, and Pituitary. A key aspect of our study was the comparison of performance between a balanced training set and the original imbalanced dataset. To optimize model performance, we incorporated Batch Normalization, Dropout, and Dense layers, while adjusting the number of epochs and batch size. The resulting models were evaluated based on Accuracy, F1-Score, Recall, and Precision metrics. Our results reveal a significant improvement in model performance when using a balanced training set. For example, on the imbalanced dataset, the EfficientNet B5 model achieved an accuracy of 98.85%, F1-Score of 98.88%, Recall of 98.92%, and Precision of 98.84%. However, after balancing the training data, the same model achieved an accuracy of 99.69%, F1-Score of 99.69%, Recall of 99.69%, and Precision of 99.70%. This high- lights the crucial role of data balancing in optimizing deep learning models for brain tumor detection, contributing to the advancement of AI-driven medical imaging and potentially leading to improved patient care and outcomes.
FR
Les tumeurs cérébrales représentent un défi important pour la santé humaine, exigeant un diagnostic précis et rapide pour un traitement efficace. L'intelligence artificielle (IA), en particulier l'apprentissage profond, est apparue comme un outil prometteur pour l'analyse des images médicales, offrant la possibilité d'améliorer la précision et l'efficacité du diagnostic. Ce travail étudie l'impact de l'équilibrage des données sur la détection des tumeurs cérébrales à partir d'examens d'imagerie par résonance magnétique (IRM) en utilisant des modèles EfficientNet pré-entraînés (B0, B3 et B5). Nous avons entraîné les modèles sur un ensemble de données combinées de 7023 images IRM du cerveau, réparties en quatre classes : gliome, méningiome, pas de tumeur et hypophyse. Un aspect clé de notre étude était la comparaison des performances entre un ensemble de formation équilibré et l'ensemble de données original déséquilibré. Pour optimiser les performances du modèle, nous avons incorporé la normalisation par lots, l'abandon et les couches denses, tout en ajustant le nombre d'époques et la taille des lots. Les modèles résultants ont été évalués sur la base des métriques Accuracy, F1-Score, Recall et Precision. Nos résultats révèlent une amélioration significative des performances des modèles lors de l'utilisation d'un ensemble de formation équilibré. Par exemple, sur l'ensemble de données déséquilibré, le modèle EfficientNet B5 a obtenu une précision de 98,85 %, un score F1 de 98,88 %, un rappel de 98,92 % et une précision de 98,84 %. Cependant, après avoir équilibré les données d'entraînement, le même modèle a atteint une précision de 99,69 %, un score F1 de 99,69 %, un rappel de 99,69 % et une précision de 99,70 %. Cette étude met en lumière le rôle crucial de l'équilibrage des données dans l'optimisation des modèles d'apprentissage profond pour la détection des tumeurs cérébrales, contribuant ainsi à l'avancement de l'imagerie médicale pilotée par l'IA et conduisant potentiellement à l'amélioration des soins et des résultats pour les patients.
Description
Keywords
Medical image analysis, EfficientNet models, Data balancing, Convolution Neural Network, Brain tumors.