Využití neuronových sítí pro klasifikaci nádoru mozku v MRI snímcích s přihlédnutím na osu snímání

Abstract

Cílem této bakalářské práce bylo využití konvolučních neuronových sítí ke klasifikaci nádoru na mozku ve snímcích magnetické rezonance. Při klasifikaci byly zohledněny osy snímání (axiální, sagitální, koronální). Samotná klasifikace byla prováděna na datasetu, který obsahoval dva tisíce šest set snímků, které byly následně rozděleny podle osy snímání do složek. Každá složka obsahovala další podsložky, které reprezentovaly čtyři kategorie nádoru mozku, a to: gliomový nádor (glioma tumor), meningeomový nádor (meningioma tumor), nádor hypofýzy (pituitary tumor) a snímky bez nádoru (no tumor). Snímky nebyly poskytnuty v ideálním rozlišení pro trénování, a tak bylo nutné změnit tyto parametry, aby bylo možné klasifikaci provést. Vzhledem k relativně malému počtu snímků byla provedena i augmentace dat, a to za pomocí různých augmentačních metod. Byly porovnány tři modely konvolučních neuronových sítí ResNet18, ResNet50 a ResNet101. Po 10 epochách dosáhl nejlepších výsledků model ResNet50 s průměrnou přesností 94,89 %, přičemž v sagitální rovině dosáhl přesnosti 96,43 %. ResNet18 dosáhl podobné výkonnosti (94,45 %) a ResNet101 zaostal (91,28 %) kvůli horší konvergenci při malém počtu epoch. Po prodloužení trénování na 50 epoch se nejlepším modelem ukázal být ResNet18 s průměrnou přesností 97,93 %, následovaný ResNet101 s 95,33 %. Výkon ResNet50 v tomto nastavení poklesl na 93,59 %, pravděpodobně kvůli přeučení. Celý experiment byl realizován v prostředí MATLAB. Výsledky této práce ukazují potenciál konvolučních neuronových sítí v oblasti lékařské diagnostiky na základě obrazových dat.

The objective of this bachelors thesis was to utilize convolutional neural networks for the classification of brain tumors in magnetic resonance imaging (MRI) scans. The classification process considered different imaging planes (axial, sagittal, and coronal). The classification was conducted on a dataset consisting of 2,600 images, which were subsequently divided into folders based on the imaging plane. Each folder contained additional subfolders representing four categories of brain tumors: glioma tumor, meningioma tumor, pituitary tumor, and no tumor. As the images were not provided in an ideal resolution for training, it was necessary to adjust these parameters to enable proper classification. Due to the relatively small number of images, data augmentation was applied using various augmentation techniques. Three convolutional neural network models were compared ResNet18, ResNet50, and ResNet101. After 10 epochs, the ResNet50 model achieved the best results, with an average accuracy of 94.89 %, reaching 96.43 % in the sagittal plane. ResNet18 achieved similar performance (94.45 %), while ResNet101 underperformed (91.28 %) due to poor convergence with a low number of epochs. After extending the training to 50 epochs, ResNet18 proved to be the most effective model with an average accuracy of 97.93 %, followed by ResNet101 with 95.33 %. In contrast, the accuracy of ResNet50 dropped to 93.59 %, likely due to overfitting. The entire experiment was carried out in the MATLAB environment. The results of this thesis demonstrate the potential of convolutional neural networks in the field of medical diagnostics based on image data.