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

El cerebro humano es un órgano complejo y, cuando comienza a crecer tejido anormal dentro de él, las consecuencias pueden ser graves. Los médicos dependen en gran medida de la resonancia magnética nuclear, o RM, para ver el interior del cráneo sin cirugía. Estos escaneos producen imágenes detalladas que revelan la forma y la ubicación de un tumor. Sin embargo, leer estas imágenes es una tarea exigente. El escaneo de un solo paciente puede contener docenas de cortes, y un radiólogo debe examinar cada uno para detectar diferencias sutiles entre el tejido sano y varios tipos de cáncer. Este proceso lleva tiempo, e incluso los expertos más capacitados pueden pasar por alto un detalle o identificar erróneamente un tipo de tumor cuando se enfrentan a miles de imágenes. Para ayudar, los científicos han recurrido a las computadoras, enseñándoles a reconocer patrones en estas imágenes tal como lo haría un ojo humano. Este campo, conocido como aprendizaje profundo, utiliza sistemas artificiales que aprenden por ejemplo en lugar de seguir un conjunto fijo de reglas. El objetivo es crear una herramienta que pueda asistir a los médicos en el diagnóstico de tumores cerebrales de forma más rápida y precisa, potencialmente salvando vidas al detectar las enfermedades de forma temprana.

En un estudio reciente, investigadores de la Universidad de Delhi abordaron este desafío construyendo un programa informático especializado diseñado para clasificar los escaneos de RM cerebral en cuatro categorías distintas. Querían saber si su sistema podía distinguir entre un cerebro sano y tres tipos específicos de tumores: gliomas, meningiomas y tumores de la glándula pituitaria. Los gliomas son tumores que comienzan en el tejido similar al pegamento que sostiene el cerebro, los meningiomas crecen en las membranas que cubren el cerebro y los tumores de la pituitaria se forman cerca de la glándula pituitaria en la base del cráneo. El equipo no utilizó un modelo informático masivo preexistente que ya hubiera sido entrenado con millones de imágenes. En su lugar, construyeron un sistema personalizado y ligero desde cero. Este enfoque se eligió para mantener la tecnología simple y eficiente, requiriendo menos potencia de cómputo y memoria que los modelos pesados y complejos utilizados a menudo en otros estudios.

Los investigadores comenzaron reuniendo una gran colección de imágenes cerebrales de una base de datos pública. Seleccionaron un total de 7,023 imágenes, que incluían 1,621 gliomas, 1,645 meningiomas, 1,757 tumores de la pituitaria y 2,000 imágenes de cerebros sanos sin tumores. Estas imágenes provenían de diferentes ángulos —algunas mirando desde arriba hacia abajo, otras desde el lado o desde el frente— proporcionando a la computadora una visión diversa de la anatomía cerebral. Antes de enseñar a la computadora, el equipo preparó las imágenes redimensionándolas todas al mismo tamaño y ajustando los niveles de brillo para que la computadora pudiera procesarlas más fácilmente. Luego dividieron los datos, utilizando la mayoría de las imágenes para enseñar al sistema y reservando un grupo más pequeño para probar qué tan bien aprendió el sistema.

El modelo informático que construyeron funciona eliminando capas de información, de forma muy parecida a mirar una imagen a través de una serie de lentes cada vez más específicos. El sistema contiene siete capas que escanean la imagen para encontrar formas y texturas básicas, seguidas de capas que combinan estos detalles simples en patrones más complejos, como los límites de un tumor. Los investigadores utilizaron un método matemático específico para ayudar al sistema a aprender rápidamente y evitar quedarse estancado, e incluyeron un mecanismo para evitar que el sistema memorizara las imágenes de entrenamiento con demasiada perfección, lo que le haría fallar ante datos nuevos. Después de entrenar el modelo durante 25 rondas, donde vio las imágenes repetidamente y ajustó sus configuraciones internas para mejorar sus suposiciones, los resultados fueron sorprendentes.

Cuando los investigadores probaron el modelo con las imágenes que nunca había visto antes, identificó correctamente el tipo de condición cerebral en el 96.1 por ciento de los casos. El sistema fue particularmente bueno detectando cerebros sanos y tumores de la pituitaria, logrando puntuaciones casi perfectas para esas categorías. También tuvo un desempeño sólido en los tipos más difíciles, glioma y meningioma, clasificándolos correctamente la gran mayoría de las veces. El estudio comparó estos resultados con otros intentos recientes de resolver el mismo problema, muchos de los cuales dependían de arquitecturas informáticas mucho más grandes y complejas. Esos modelos previos alcanzaron tasas de precisión que oscilaban aproximadamente entre el 89 por ciento y el 95 por ciento. El nuevo y más simple modelo los superó a todos, alcanzando un 96.1 por ciento de precisión utilizando menos recursos.

Los investigadores señalaron que el sistema ocasionalmente confundía los gliomas con los meningiomas, lo cual es comprensible porque estos dos tipos de tumores pueden verse muy similares en un escaneo de RM. Sin embargo, el desempeño general fue lo suficientemente robusto como para sugerir que este enfoque ligero es una herramienta viable para uso médico. Los autores enfatizan que, si bien el modelo informático muestra una gran promesa, aún no es un reemplazo para un médico. Los siguientes pasos implican probar el sistema con datos de múltiples hospitales para asegurar que funcione de manera confiable en diferentes tipos de máquinas de RM y poblaciones de pacientes. Si la validación futura confirma estos hallazgos, tal herramienta podría convertirse en una parte estándar del proceso de diagnóstico, ayudando a los equipos médicos a tomar decisiones más rápidas y seguras sobre cómo tratar a los pacientes con tumores cerebrales.