Mô hình học sâu kết hợp mờ trong việc phân loại Khối u não trên ảnh MRI
Abstract
Brain tumors are serious medical conditions that affect the central nervous system and pose a threat to vital human functions. Although Magnetic Resonance Imaging (MRI) is the primary tool for detecting and classifying brain tumors, image-based diagnosis still faces many challenges due to morphological similarities among tumor types and inconsistencies in image quality, leading to reduced accuracy. Deep learning models have been applied and have shown promising results in brain MRI classification. However, most approaches still rely on individual models, which often produce unstable performance in complex cases. To address this limitation, this paper proposes a hybrid deep learning approach named Fuzzy-EDTrans, which integrates three neural network architectures—EfficientNet, Vision Transformer, and DenseNet—using the Fuzzy Sugeno Integral. This method leverages the strengths of each model to enhance classification accuracy. Experiments conducted on the BrTC2020 dataset demonstrate that Fuzzy-EDTrans achieves an impressive accuracy of 97.91%.
Tóm tắt
Khối u não là một bệnh lý nghiêm trọng, ảnh hưởng đến hệ thần kinh trung ương và đe dọa đến chức năng sống của con người. Mặc dù chụp cộng hưởng từ (MRI) là công cụ chính trong phát hiện và phân loại khối u não, việc chẩn đoán dựa trên hình ảnh vẫn gặp nhiều thách thức do sự tương đồng hình thái giữa các loại khối u và sự không đồng nhất trong chất lượng ảnh, làm giảm độ chính xác. Các mô hình học sâu đã được ứng dụng và mang lại nhiều kết quả tích cực trong phân loại ảnh MRI. Tuy nhiên, phần lớn vẫn dựa trên các mô hình đơn lẻ, dẫn đến hiệu suất chưa ổn định trong các trường hợp phức tạp. Nhằm khắc phục hạn chế này, bài báo đề xuất một phương pháp học sâu kết hợp Fuzzy-EDTrans, kết hợp ba mô hình mạng là EfficientNet, Vision Transformer và DenseNet bằng phương pháp Fuzzy Sugeno Integral. Phương pháp này giúp tận dụng ưu điểm của từng mô hình và cải thiện độ chính xác trong phân loại. Thử nghiệm trên tập dữ liệu BrTC2020 cho thấy Fuzzy-EDTrans đạt độ chính xác ấn tượng 97,91%.
Tài liệu tham khảo
[1]. Charity, Brain Tumour Statistics, United Kingdom, Jun. 2023.
[2]. International Agency for Research on Cancer, Viet Nam Cancer Fact Sheet, 2022.
[3]. M. C. Center, "Brain Tumor Diagnosis - MRI," 2024. [Online]. Available: https://www.moffitt.org/cancers/brain-tumor/diagnosis/mri/. [Accessed: Aug. 30, 2025].
[4]. J. Cheng, W. Huang, S. Cao, R. Yang, W. Yang, Z. Yun, Z. Wang, and Q. Feng, "Enhanced Performance of Brain Tumor Classification via Tumor Region Augmentation and Partition," PLOS ONE, vol. 10, no. 10, p. e0140381, Oct. 2015, doi: 10.1371/journal.pone.0140381.
[5]. V. R. Sajja and H. K. Kalluri, "Classification of Brain Tumors using Fuzzy C-means and VGG16," Turkish Journal of Computer and Mathematics Education, vol. 12, no. 9, pp. 2103–2113, Apr. 2021.
[6]. S. Samir, "EfficientNet Algorithm for Classification of Different Types of Cancer," arXiv preprint, arXiv:2304.08715, Apr. 2023.
[7]. J. M. Medina and J. Sánchez, "High Accuracy Brain Tumor Classification with EfficientNet and Magnetic Resonance Images," in Proc. 5th Int. Conf. Advances in Signal Processing and Artificial Intelligence (ASPAI), Tenerife, Spain, Jun. 2023, pp. 1–6.
[8]. P. Sharma and A. P. Shukla, "Transfer Learning Approach Using EfficientNet Architecture for Brain Tumor Classification in MRI Images," Advances and Applications in Mathematical Sciences, vol. 21, no. 12, pp. 7091–7106, Oct. 2022.
[9]. M. F. Alanazi, M. U. Ali, S. J. Hussain, A. Zafar, M. Mohtaram, M. Irfan, R. Alruwaili, M. Alruwaili, N. H. Ali, and A. M. Albarrak, "Brain Tumor/Mass Classification Framework Using Magnetic-Resonance-Imaging-Based Isolated and Developed Transfer Deep-Learning Model," Sensors, vol. 22, no. 1, p. 372, Jan. 2022, doi: 10.3390/s22010372.
[10]. W. Chen, "A Robust Approach for Multi-Type Classification of Brain Tumor Using Deep Feature Fusion," Frontiers in Neuroscience, vol. 18, p. 142, 2024, doi: 10.3389/fnins.2024.00142.
[11]. J. Kang, Z. Ullah, and J. Gwak, "MRI-Based Brain Tumor Classification Using Ensemble of Deep Features and Machine Learning Classifiers," Sensors, vol. 21, no. 6, p. 222, Mar. 2021, doi: 10.3390/s21062222.
[12]. Brain Tumour Research, "Brain Tumor Symptoms," May 31, 2024. [Online]. Available: https://virtualtrials.org/symptoms.pdf. [Accessed: Aug. 30, 2025].
[13]. Brain Tumour Research, "Brain Tumour Research," May 31, 2024. [Online]. Available: https://braintumourresearch.org/pages/information-brain-tumour-symptoms. [Accessed: Aug. 30, 2025].
[14]. S. J. Pan and Q. Yang, "A Survey on Transfer Learning," IEEE Transactions on Knowledge and Data Engineering, vol. 22, no. 10, pp. 1345–1359, Oct. 2010, doi: 10.1109/TKDE.2009.191.
[15]. M. Tan and Q. V. Le, "EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks," in Proc. 36th Int. Conf. Machine Learning (ICML), Long Beach, CA, USA, 2019, pp. 6105–6114.
[16]. A. Dosovitskiy et al., "An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale," in Proc. Int. Conf. Learning Representations (ICLR), 2021. [Online]. Available: https://arxiv.org/abs/2010.11929. [Accessed: Aug. 30, 2025].
[17]. G. Huang, Z. Liu, L. van der Maaten, and K. Q. Weinberger, "Densely Connected Convolutional Networks," in Proc. IEEE Conf. Computer Vision and Pattern Recognition (CVPR), Honolulu, HI, USA, 2017, pp. 2261–2269.
[18]. T. G. Dietterich, "Ensemble Methods in Machine Learning," in Multiple Classifier Systems, J. Kittler and F. Roli, Eds. Berlin, Heidelberg: Springer, 2000, pp. 1–15, doi: 10.1007/3-540-45014-9_1.
[19]. L. Rokach, "Ensemble-based classifiers," Artificial Intelligence Review, vol. 33, no. 1, pp. 1–39, Feb. 2010, doi: 10.1007/s10462-009-9124-7.
[20]. M. Sugeno, "Fuzzy Measures and Fuzzy Integrals—A Survey," Fuzzy Measures and Integrals, Elsevier, 1993, pp. 251–257.
[21]. R. Kundu, H. Basak, A. Kollala, S. Chattopadhyay, O. Chakraborty, and N. Das, "Ensemble of CNN Classifiers Using Sugeno Fuzzy Integral Technique for Cervical Cytology Image Classification," in Proc. Int. Conf. Artificial Intelligence in Medicine (AIME), 2021, pp. 134–145.
