Multi-classification of Brain Tumor MRI images using Convoluted Neural Network (CNN) based approach

Das menschliche Gehirn ist ein komplexes Organ, und wenn abnormales Gewebe innerhalb dessen zu wachsen beginnt, können die Folgen schwerwiegend sein. Ärzte verlassen sich stark auf die Magnetresonanztomographie, oder MRT, um ohne Operation in den Schädel hineinzusehen. Diese Scans erzeugen detaillierte Bilder, die die Form und Lage eines Tumors offenbaren. Das Lesen dieser Bilder ist jedoch eine anspruchsvolle Aufgabe. Ein einzener Scan eines Patienten kann Dutzende von Schichten enthalten, und ein Radiologe muss jede einzelne untersuchen, um subtile Unterschiede zwischen gesundem Gewebe und verschiedenen Arten von Krebs zu erkennen. Dieser Prozess nimmt Zeit in Anspruch, und selbst die geschicktesten Experten können ein Detail übersehen oder einen Tumortyp falsch identifizieren, wenn sie mit Tausenden von Bildern konfrontiert sind. Um zu helfen, haben sich Wissenschaftler der Computer zugewandt und sie gelehrt, Muster in diesen Bildern zu erkennen, so wie ein menschliches Auge es tun würde. Dieses Feld, bekannt als Deep Learning, nutzt künstliche Systeme, die durch Beispiele lernen, anstatt einem festen Satz von Regeln zu folgen. Das Ziel ist es, ein Werkzeug zu schaffen, das Ärzten helfen kann, Hirntumore schneller und genauer zu diagnostizieren, was potenziell Leben retten kann, indem Krankheiten früher erkannt werden.

In einer kürzlich durchgeführten Studie gingen Forscher der Universität Delhi diese Herausforderung an, indem sie ein spezialisiertes Computerprogramm entwickelten, das darauf ausgelegt ist, Gehirn-MRT-Scans in vier verschiedene Kategorien zu sortieren. Sie wollten wissen, ob ihr System zwischen einem gesunden Gehirn und drei spezifischen Arten von Tumoren unterscheiden kann: Gliomen, Meningiomen und Hypophysentumoren. Gliome sind Tumore, die im kleberartigen Gewebe beginnen, das das Gehirn stützt; Meningiome wachsen auf den Häuten, die das Gehirn bedecken; und Hypophysentumore bilden sich in der Nähe der Hypophyse an der Basis des Schädels. Das Team verwendete kein bereits existierendes, massives Computermodell, das bereits auf Millionen von Bildern trainiert worden war. Stattdessen konstruierten sie ein maßgeschneidertes, leichtgewichtiges System von Grund auf neu. Dieser Ansatz wurde gewählt, um die Technologie einfach und effizient zu halten, sodass sie weniger Rechenleistung und Speicher benötigt als die schweren, komplexen Modelle, die oft in anderen Studien verwendet werden.

Die Forscher begannen damit, eine große Sammlung von Gehirnbildern aus einer öffentlichen Datenbank zusammenzustellen. Sie wählten insgesamt 7.023 Bilder aus, die 1.621 Gliome, 1.645 Meningiome, 1.757 Hypophysentumore und 2.000 Bilder von gesunden Gehirnen ohne Tumore enthielten. Diese Bilder kamen aus verschiedenen Blickwinkeln – einige von oben betrachtet, andere von der Seite oder von vorne –, was dem Computer eine vielfältige Sicht auf die Anatomie des Gehirns ermöglichte. Bevor sie den Computer lehrten, bereiteten das Team die Bilder auf, indem sie alle auf die gleichen Dimensionen anpassten und die Helligkeitsstufen regulierten, damit der Computer sie leichter verarbeiten konnte. Sie teilten die Daten dann auf, wobei sie den Großteil der Bilder zum Lehren des Systems verwendeten und eine kleinere Gruppe zurückhielten, um zu testen, wie gut das System lernte.

Das von ihnen gebaute Computermodell arbeitet, indem es Informationsebene für Ebene abträgt, ganz ähnlich wie man ein Bild durch eine Serie von immer spezifischer werdenden Linsen betrachtet. Das System enthält sieben Schichten, die das Bild scannen, um grundlegende Formen und Texturen zu finden, gefolgt von Schichten, die diese einfachen Details zu komplexeren Mustern kombinieren, wie etwa den Grenzen eines Tumors. Die Forscher verwendeten eine spezifische mathematische Methode, um dem System zu helfen, schnell zu lernen und nicht stecken zu bleiben, und sie fügten einen Mechanismus hinzu, der verhindert, dass das System die Trainingsbilder zu perfekt auswendig lernt, was dazu führen würde, dass es bei neuen Daten versagt. Nachdem sie das Modell über 25 Runden trainiert hatten, in denen es die Bilder wiederholt sah und seine internen Einstellungen verbesserte, um seine Vermutungen zu optimieren, waren die Ergebnisse beeindruckend.

Als die Forscher das Modell an den Bildern testeten, die es noch nie zuvor gesehen hatte, identifizierte es die Art der Gehirnerkrankung in 96,1 Prozent der Fälle korrekt. Das System war besonders gut darin, gesunde Gehirne und Hypophysentumore zu erkennen, wobei es in diesen Kategorien nahezu perfekte Werte erreichte. Es schnitt auch stark bei den schwierigeren Gliom- und Meningiom-Typen ab und klassifizierte sie die überwiegende Mehrheit der Zeit korrekt. Die Studie verglich diese Ergebnisse mit anderen jüngsten Versuchen, dasselbe Problem zu lösen, von denen viele auf viel größeren und komplexeren Computerarchitekturen basierten. Diese früheren Modelle erreichten Genauigkeitsraten zwischen etwa 89 und 95 Prozent. Das neue, einfachere Modell übertraf sie alle und erreichte eine Genauigkeit von 96,1 Prozent unter Verwendung weniger Ressourcen.

Die Forscher stellten fest, dass das System gelegentlich Gliome mit Meningiomen verwechselte, was verständlich ist, da diese beiden Tumorarten in einer MRT-Aufnahme sehr ähnlich aussehen können. Die Gesamtleistung war jedoch robust genug, um darauf hindeuten, dass dieser leichtgewichtige Ansatz ein lebensfähiges Werkzeug für den medizinischen Einsatz ist. Die Autoren betonen, dass das Computermodell zwar großes Potenzial zeigt, aber noch kein Ersatz für einen Arzt ist. Die nächsten Schritte umfassen das Testen des Systems mit Daten aus mehreren Krankenhäusern, um sicherzustellen, dass es zuverlässig über verschiedene Arten von MRT-Geräten und Patientenpopulationen hinweg funktioniert. Wenn zukünftige Validierungen diese Ergebnisse bestätigen, könnte ein solches Werkzeug zu einem Standardbestandteil des Diagnoseprozesses werden, der medizinische Teams hilft, schnellere und sicherere Entscheidungen über die Behandlung von Patienten mit Hirntumoren zu treffen.