Transfer learning architectures with fine-tuning for brain tumor classification using magnetic resonance imaging

https://www.sciencedirect.com/science/article/pii/S2772442523001375

本研究の学術的背景や問いは、人工知能の深層学習手法を用いて脳腫瘍の診断を行うことです。特に、複雑な脳の構造により、脳腫瘍の診断は常に難しい課題となっています。そこで、深層転移学習アーキテクチャの有効性を脳腫瘍診断において調査することが本研究の主な問いとなります。

本研究の目的は、脳腫瘍の診断における深層転移学習アーキテクチャの有効性を検証することです。また、学術的な独自性と創造性は、四つの深層転移学習アーキテクチャ（InceptionV3、VGG19、DenseNet121、MobileNet）を用いて、三つのベンチマークデータベースから得られたデータセットを用いてモデルを検証したことにあります。

本研究の着想は、脳腫瘍診断の難しさと、深層学習や人工知能が医療画像解析において大きな進歩を遂げているという現状から生まれました。また、関連する国内外の研究動向としては、転移学習という機械学習手法が注目されており、これを用いて脳画像を分類する研究が行われています。

本研究では、四つの深層転移学習アーキテクチャを用いて、脳腫瘍を四つのクラスに分類する手法を開発しました。また、三つのベンチマークデータセットを前処理し、高精度な結果を得るために転移学習モデルに微調整を施しました。さらに、各モデルに一つの全結合層を追加することでモデルを改良しました。その結果、MobileNetが最も高い精度（99.60%）を達成しました。

本研究の有効性は、三つのベンチマークデータベースから得られたデータセットを用いて、四つの深層転移学習アーキテクチャの性能を比較検証したことで確認されました。その結果、MobileNetが最も高い精度を達成し、本研究の手法の有効性が示されました。