Image Classification Using Transfer Learning and Training Hyperparameter Optimization

Abstract

Brain tumor classification from Magnetic Resonance Imaging (MRI) is an important research area in medical image analysis. In this study, several deep learningbased Transfer Learning (TL) models were investigated for brain tumor classification using MRI images. Pretrained Convolutional Neural Network (CNN) architectures, including ResNet18, ResNet50, MobileNetV2, and DenseNet201, were evaluated and compared in terms of classification performance. To enhance the training process and improve model generalization, image preprocessing and data augmentation techniques were applied. In addition, different training hyperparameters, including learning rate, batch size, optimizer configuration, and number of epochs, were adjusted during the experimentation phase. The performance of the evaluated models was assessed using several metrics, including accuracy, recall, F1score, and confusion matrix analysis. Experimental results showed that DenseNet201 achieved the highest classification performance, obtaining an accuracy exceeding 33.99% on the MRI dataset. The obtained results demonstrate the effectiveness of Transfer Learning and pretrained CNN architectures for MRI brain tumor classification and highlight the impact of training parameter selection on classification performance. يُعد تصنيف أورام الدماغ من صور الرنين المغناطيسي ( )MRIمن المجالات البحثية الهامة في تحليل الصور الطبية. في هذه الدراسة، تم التحقيق في عدة نماذج للتعلم العميق القائم على نقل التعلم ( )TLلتصنيف أورام الدماغ باستخدام صور الرنين المغناطيسي. وقد تم تقييم ومقارنة بنيات الشبكات العصبية التلافيفية ( )CNNال ُمد َّربة مسبقاً، والتي تشمل: ResNet18 .، من حيث أداء التصنيفDenseNet201 وMobileNetV2 وResNet50و لتعزيز عملية التدريب وتحسين قدرة النماذج على التعميم، تم تطبيق تقنيات المعالجة المسبقة للصور وتوسيع البيانات. علاوةً على ذلك، تم ضبط معاملات التدريب المختلفة خلال مرحلة التجريب، بما فيها: معدل التعلم، وحجم ال ُّدفعة، وإعداد ال ُمح ِّسن، وعدد ِحقَب التدريب. تم تقييم أداء النماذج ال ُمختبَرة باستخدام عدة مقاييس، تشمل: الدقة، والاستدعاء، ومقياس ،F1وتحليل مصفوفة الالتباس. وأظهرت النتائج التجريبية أن نموذج DenseNet201حقق أعلى أداء في التصنيف، إذ تجاوزت دقته %33.99على مجموعة بيانات الرنين المغناطيسي. تُثبت النتائج ال ُمحققة فاعلية نقل التعلم وبنيات الشبكات العصبية التلافيفية ال ُمد َّربة مسبقاً في تصنيف أورام الدماغ من صور الرنين المغناطيسي، كما تُبرز الأثر الكبير لاختيار معاملات التدريب على أداء التصنيف