基于迁移学习的残差网络用于脑肿瘤检测的比较分析

《Annals of Neurosciences》：Comparative Analysis of Transfer Learning Based Residual Networks for the Brain Tumours Detection

　　

背景：脑肿瘤是危重疾病，需要准确可靠的方法来检测肿瘤。因此，许多研究人员选择深度学习模型来对大型复杂数据集中的脑肿瘤进行精确分类。
目的：本研究探讨深度学习模型ResNet50和ResNet101在从Kaggle获取的7,023幅磁共振成像(MRI)图像中识别多类脑肿瘤的使用与性能。
方法：提出了两种模型：基于迁移学习和微调的ResNet50，其性能优于所提出的基于迁移学习的ResNet101。
结果：基于准确率(Accuracy)、精确率(Precision)、召回率(Recall)和F1分数(F1 score)等性能指标，对上述模型进行了综合评估，以确定模型突出类别区分的能力。通过关注这些整体评估标准，研究表明所提出的ResNet50架构可实现99.23%的准确率，可有效应用于基于MRI的自动化脑肿瘤诊断，并在医疗保健中要求严格的分类任务中做出可靠决策，源于该模型稳健的性能和精确的分类能力。
结论：与ResNet101相比，ResNet50结合迁移学习和微调是需要在较少GPU情况下快速决策的应用的更好选择，因为它在处理方面更高效、训练时间更短，且具有更好的肿瘤检测和分类准确率。

脑肿瘤是危及生命的重大疾病，尤其在印度等发展中国家，早期发现和专科治疗资源不足，使得准确、可靠的检测方法至关重要。磁共振成像(MRI)以其无创性和高分辨率成为临床诊断脑肿瘤的首选成像方式。然而，MRI图像的人工解读高度依赖放射科医生的经验，且城乡医疗资源分配不均，导致诊断延误和误诊风险增加。为此，基于深度学习的方法被引入医学图像分析领域。卷积神经网络(CNN)能够自动从图像数据中学习判别性特征，无需人工特征工程，在脑肿瘤分类任务中展现出巨大潜力。残差网络(ResNet)通过跳跃连接有效缓解了深层网络中的梯度消失问题，使得构建更深层次的网络成为可能。ResNet50与ResNet101是两种常用架构，已有研究通过迁移学习和微调将其应用于脑肿瘤分类，但尚未系统比较中等深度部分微调与更深网络完全冻结策略在中等规模数据集上的性能差异。因此，本研究的目的是设计一种基于迁移学习与选择性微调的ResNet50模型，在与ResNet101保持相同分类头的条件下，验证其能否在分类准确率和计算效率上优于更深的ResNet101。

研究人员开展了系统的对比实验。从Kaggle平台获取了7,023张由Figshare、SARTAJ和Br35H等公开来源组成的脑肿瘤MRI图像，包含胶质瘤、脑膜瘤、垂体瘤和无肿瘤四个类别。数据集按比例划分为5,712张训练图像和1,311张测试图像，训练集再以80:20分比为训练和验证集。ResNet50采用迁移学习策略，解冻最后10个卷积层进行微调；ResNet101则完全冻结骨干网络，仅作为特征提取器。两个模型共享相同的分类头，包括多个全连接层、批归一化(Batch Normalization)、Leaky ReLU激活和Dropout正则化。训练使用Adam优化器和0.0001的初始学习率，批量大小为32，共训练30个周期。该研究最重要的结论是：所提出的ResNet50架构取得了99.23%的准确率、99.18%的精确率、99.29%的召回率和99.19%的F1分数，显著优于ResNet101（准确率91%、精确率91%、召回率90%、F1分数90%）。这一结果证明，在中等规模医学图像数据集上，选择性微调比使用更深但完全冻结的骨干网络更为有效，能够兼具高准确率与计算效率，为资源受限环境下的自动化脑肿瘤诊断提供了可靠方案。

关键技术方法方面，该研究使用了来源于Kaggle的7,023张脑肿瘤MRI图像（公开数据集，包含Figshare、SARTAJ和Br35H）。预处理包括调整至256×256像素，归一化到[0,1]，并采用ImageNet均值和标准差标准化；数据增强使用随机翻转、缩放及亮度、对比度调整。ResNet50采用部分微调（解冻最后10层），ResNet101作为冻结特征提取器，两者使用相同的全连接分类头。训练配置为Adam优化器、学习率0.0001、批量大小32、训练周期30。评估指标包括精确率、召回率、F1分数和准确率。

在“Results and Analysis”部分，研究人员通过训练过程分析模型性能。ResNet50的训练和验证准确率曲线在早期阶段即超过90%，且两条曲线紧密贴近，表明模型泛化良好；训练和验证损失曲线快速下降并趋于稳定，未见明显过拟合。相比之下，ResNet101的准确率和损失曲线表现较弱。基于性能指标表，ResNet50在精确率、召回率、F1分数和准确率上均优于ResNet101。具体数值为：ResNet50的精确率99.18%、召回率99.29%、F1分数99.19%、准确率99.23%；ResNet101对应的数值为91%、90%、90%、91%。

在“Performance Comparison”部分，研究人员将提出的模型与已有研究进行比较。已有研究采用ResNet50、VGG16、InceptionResNetV2等架构，在相似数据集上准确率介于96%至98.91%之间。本研究所提出的ResNet50达到99.23%的准确率，高于所有已比较方法，同时精确率、召回率和F1分数均超过99%，展示了其优越的分类能力。

讨论部分指出，尽管ResNet101更深、理论上表达能力更强，但在仅包含7,023张图像的医疗数据集上进行完全冻结的迁移学习，其性能远不如经过部分微调的ResNet50，且ResNet101更容易发生过拟合。该研究证实，选择性微调结合深度全连接分类器是更有效的策略。结论为：ResNet50与迁移学习和微调的结合是需要在较低GPU资源下快速决策的应用的更优选择，因为它处理效率更高、训练时间更短，并且提供更好的肿瘤检测与分类准确率。研究局限性在于仅执行图像分类而未进行肿瘤分割或定位，未来可引入可解释人工智能技术（如Grad-CAM或Score-CAM）增强模型的临床可信度。