Leveraging Pre-trained Models for Precision: A Transfer Learning Approach to Brain Tumor Detection

Om Prakash Suthar, Yash Zinzuvadia, Krunal Vaghela, Vijay Katkar

Аннотация


Использование предварительно обученных моделей для повышения точности: подход трансферного обучения к обнаружению тимуса мозга

Ом Пракаш Сутар, Яш Зинзувадиа, Крунал Вагхела, Виджай Каткар

Опухоли мозга чрезвычайно опасны и могут привести к резкому сокращению продолжительности жизни, что делает их чрезвычайно опасным заболеванием. Для создания программ лечения, которые могут продлить жизнь людей, пострадавших от опухолей мозга, необходим правильный диагноз. Сложно и долго вручную идентифицировать и анализировать огромные объемы данных МРТ. Для успешной классификации опухолей мозга мы представляем новый метод DL, основанный на трансферном обучении в этом исследовании. Мы разработали концепцию новой стратегии, которая включает тонкую настройку, перестройку архитектуры трансферного обучения и тщательную предварительную обработку. В нашей реализации трансферного обучения мы используем Xception, VGG19 и MobileNetV3Small, среди прочих. Xception достиг точности 96,84%, тогда как VGG19 достиг точности 84,98%, используя общедоступный набор данных Kaggle MRI Brain tumor, состоящий из 253 изображений. На основании наших исследований Xception превосходит другие модели на наборе данных МРТ-опухолей головного мозга, достигая впечатляющей точности 96,84%. Чтобы помочь неврологам и врачам быстро и точно диагностировать пациентов с опухолями головного мозга, наша предлагаемая модель может эффективно классифицировать опухоли за короткий промежуток времени.


Ключевые слова


нейробиология; перенос обучения; VGG; МРТ-изображение мозга; опухоль мозга.

Полный текст:

PDF (English)

Литература


[Ata23] Atasever, S., Azginoglu, N., Terzi, D. S., & Terzi, R. (2023). A comprehensive survey of deep learning research on medical image analysis with focus on transfer learning. Clinical imaging, 94, 18-41. DOI 10.1016/j.clinimag.2022.11.003. EDN OTWLKH.

[Che20] Chelghoum, R., Ikhlef, A., Hameurlaine, A., & Jacquir, S. (2020, May). Transfer learning using convolutional neural network architectures for brain tumor classification from MRI images. In IFIP International Conference on Artificial Intelligence Applications and Innovations (pp. 189-200). Cham: Springer International Publishing. DOI 10.1007/978-3-030-49161-1_17.

[Dha23] Dhar, T., Dey, N., Borra, S., & Sherratt, R. S. (2023). Challenges of deep learning in medical image analysis-improving explainability and trust. IEEE Transactions on Technology and Society, 4(1), 68-75. DOI 10.1109/tts.2023.3234203. EDN GEKKZZ.

[Li23] Li, M., Jiang, Y., Zhang, Y., & Zhu, H. (2023). Medical image analysis using deep learning algorithms. Frontiers in Public Health, 11, 1273253. DOI 10.3389/fpubh.2023.1273253. EDN TWMCGE.

[Mok24] S. M. Ghoreishi Mokri, N. Valadbeygi, and V. Grigoryeva, “Diagnosis of Glioma, Menigioma and Pituitary brain tumor using MRI images recognition by Deep learning in Python”, EAI Endorsed Trans Int Sys Mach Lear App, vol. 1, Apr. 2024. DOI 10.4108/eetismla.5410.

[Naz23] Nazir, S., & Kaleem, M. (2023). Federated learning for medical image analysis with deep neural networks. Diagnostics, 13(9), 1532. DOI 10.3390/diagnostics13091532. EDN TTZVWS.

[Ran23] Rana, M., & Bhushan, M. (2023). Machine learning and deep learning approach for medical image analysis: diagnosis to detection. Multimedia Tools and Applications, 82(17), 26731-26769. DOI 10.1007/s11042-022-14305-w. EDN FSNYGR.

[San24] Sankararao, Y., & Khasim, S. (2024). An Effective analysis of brain tumor detection using deep learning. EAI Endorsed Transactions on Pervasive Health and Technology, 10. DOI 10.4108/eetpht.10.5627. EDN UXLCXQ.

[Sim14] Simonyan, K., & Zisserman, A. (2014). Very deep convolutional networks for large-scale image recognition. arXiv preprint arXiv:1409.1556.

[Sri22] Srinivas, C., KS, N. P., Zakariah, M., Alothaibi, Y. A., Shaukat, K., Partibane, B., & Awal, H. (2022). Deep transfer learning approaches in performance analysis of brain tumor classification using MRI images. Journal of Healthcare Engineering, 2022(1), 3264367. DOI 10.1155/2022/3264367.

[Ull22] Ullah, N., Khan, J. A., Khan, M. S., Khan, W., Hassan, I., Obayya, M., . & Salama, A. S. (2022). An effective approach to detect and identify brain tumors using transfer learning. Applied Sciences, 12(11), 5645. DOI 10.3390/app12115645. EDN NFNGVB.

[You22] Younis, A., Qiang, L., Nyatega, C. O., Adamu, M. J., & Kawuwa, H. B. (2022). Brain tumor analysis using deep learning and VGG-16 ensembling learning approaches. Applied Sciences, 12(14), 7282. DOI 10.3390/app12147282. EDN NQHVDU.

[Zi24] Zi, Y., Wang, Q., Gao, Z., Cheng, X., & Mei, T. (2024). Research on the application of deep learning in medical image segmentation and 3d reconstruction. Academic Journal of Science and Technology, 10(2), 8-12. DOI 10.54097/0h77ge77. EDN VLHXKF.




DOI: https://doi.org/10.54708/2658-5014-SIIT-2025-no3-p29

Ссылки



(c) 2025 Om Prakash Suthar, Yash Zinzuvadia, Krunal Vaghela, Vijay Katkar