Klasifikasi tumor otak berbasis citra MRI menggunakan Lightweight cnn Ensemble model

ABSTRAK

Klasifikasi tumor otak berbasis citra MRI memerlukan analisis visual yang kompleks karena adanya variasi karakteristik visual yang sangat beragam antar jenis tumor otak. Variasi ini menyebabkan model kesulitan dalam menangkap detail halus yang membedakan satu jenis tumor dengan lainnya secara akurat. Penelitian ini mengembangkan dan mengusulkan model klasifikasi untuk 17 jenis tumor otak dengan menggunakan arsitektur Lightweight Convolutional Neural Network (CNN). Model ini menggunakan variasi ukuran kernel yaitu 3×3, 5×5, dan 7×7 untuk menguji kemampuan ekstraksi fitur yang berbeda pada setiap konfigurasi. Sebanyak sembilan model diuji dengan konfigurasi kernel yang berbeda untuk menentukan model dengan performa terbaik. Hasil pengujian menunjukkan bahwa CNN3 dengan kernel 7×7 pada Base Model 3 memberikan hasil terbaik dengan akurasi, presisi, recall, dan F1-score sebesar 0,91. Sebaliknya, CNN2 dengan kernel 5×5 menunjukkan performa terendah dengan akurasi 0,82. Untuk meningkatkan akurasi, metode ensemble seperti Majority Voting dan Weighted Average diterapkan. Metode Weighted Average menghasilkan akurasi tertinggi sebesar 0,96 dan spesifisitas mencapai 0,99. Dari sisi optimasi, penggunaan optimizer Nadam memberikan performa paling konsisten dan mengungguli Adam dan AdamW. Kombinasi antara arsitektur CNN berkernel besar, metode ensemble Weighted Average, dan optimizer Nadam mampu meningkatkan akurasi klasifikasi tumor otak secara optimal.

ABSTRACT

Brain tumor classification based on MRI images requires complex visual analysis due to the highly diverse visual characteristics among different types of brain tumors. This variation causes difficulties for the model in accurately capturing the subtle details that distinguish one tumor type from another. This study develops and proposes a classification model for 17 types of brain tumors using a Lightweight Convolutional Neural Network (CNN) architecture. The model employs varying kernel sizes of 3×3, 5×5, and 7×7 to evaluate different feature extraction capabilities for each configuration. A total of nine models were tested with different kernel configurations to identify the best-performing model. The results indicate that CNN3 with a 7×7 kernel in Base Model 3 achieved the best performance, with accuracy, precision, recall, and F1-score all at 0.91. In contrast, CNN2 with a 5×5 kernel exhibited the lowest performance with an accuracy of 0.82. To enhance accuracy, ensemble methods such as Majority Voting and Weighted Average were applied. The Weighted Average method attained the highest accuracy of 0.96 and a specificity of 0.99. Regarding optimization, the use of the Nadam optimizer demonstrated the most consistent performance, outperforming both Adam and AdamW optimizers. The combination of a large-kernel CNN architecture, the Weighted Average ensemble method, and the Nadam optimizer effectively improved the accuracy of brain tumor classification.

الملخص

يتطلب تصنيف أورام الدماغ المستند إلى التصوير بالرنين المغناطيسي تحليلًا بصريًا معقدًا بسبب الاختلاف الكبير في الخصائص البصرية بين أنواع أورام االدماغ. وتجعل هذه الاختلافات من الصعب على النماذج التقاط التفاصيل الدقيقة التي تميز نوع ورم عن آخر.تطور هذه الدراسة وتقترح نموذج تصنيف لـ 17 نوعًا من أورام الدماغ باستخدام بنية الشبكة العصبية التلافيفية خفيفة الوزن (CNN).يستخدم هذا النموذج اختلافات في أحجام النواة، وهي 3 × 3 و5 × 5 و7 × 7 لاختبار القدرة على استخراج ميزات مختلفة في كل تكوين.تم اختبار ما مجموعه تسعة نماذج بتكوينات نواة مختلفة لتحديد النموذج ذي الأداء الأفضل.تُظهر نتائج الاختبار أن CNN3 مع نواة 7 × 7 على النموذج الأساسي 3 يعطي أفضل النتائج بدقة ودقة واستدعاء ودرجة F1 تبلغ 0.91. في المقابل، يُظهر CNN2 مع نواة 5 × 5 أدنى أداء بدقة 0.82.لتحسين الدقة، يتم تطبيق طرق المجموعة مثل التصويت بالأغلبية والمتوسط المرجح. تنتج طريقة المتوسط المرجح أعلى دقة تبلغ 0.96 وتصل الخصوصية إلى 0.99.من حيث التحسين، يوفر استخدام مُحسِّن Nadam أداءً أكثر ثباتًا ويتفوق على Adam و AdamW. إن الجمع بين بنية CNN كبيرة النواة، وطريقة مجموعة المتوسط المرجح، ومُحسِّن Nadam، يُحسّن دقة تصنيف أورام الدماغ بشكل مثالي.