Automated brain tumor detection in MRI images using CNN and ResNet architectures

Sintesi Tecnica: Rilevamento Automatico di Tumori Cerebrali in Immagini MRI Utilizzando Architetture CNN e ResNet

Problematica
La diagnosi precoce e accurata dei tumori cerebrali è fondamentale per determinare le modalità di trattamento e migliorare i tassi di sopravvivenza dei pazienti. Sebbene la Risonanza Magnetica (MRI) sia la modalità standard per la visualizzazione delle strutture cerebrali grazie al suo elevato contrasto dei tessuti molli, l'interpretazione manuale di queste scansioni da parte dei radiologi rimane un processo laborioso, soggettivo e soggetto a variabilità inter-osservatore. Gli approoli tradizionali di machine learning, basati su caratteristiche estratte manualmente (handcrafted features), spesso non riescono a generalizzare tra diversi dataset e impostazioni di imaging. Inoltre, l'aumento del volume di dati di imaging medico pone una pressione significativa sui professionisti clinici, aumentando il rischio di diagnosi errate o ritardate. Esiste un urgente bisogno di sistemi di deep learning automatizzati, affidabili ed economici, capaci di distinguere scansioni MRI con presenza o assenza di tumore con alta precisione.

Metodologia
Il framework proposto utilizza un approccio di deep learning basato su Reti Neurali Convoluzionali (CNN) e Reti Residue (ResNet) per automatizzare il rilevamento dei tumori cerebrali. Lo studio impiega il transfer learning, sfruttando modelli pre-addestrati per affrontare la sfida della limitata disponibilità di dati medici etichettati.

• Dataset: Il sistema è stato valutato su un dataset di 3.929 immagini MRI cerebrali, classificate da esperti clinici nelle categorie "tumore" e "non tumore". I dati sono stati suddivisi in un 85% per l'addestramento e un 15% per il test.
• Pre-elaborazione: Le immagini sono state ridimensionate a 224 × 224 pixel per corrispondere ai requisiti di input dei modelli pre-addestrati. Le intensità dei pixel sono state normalizzate per migliorare la convergenza. Sono state applicate tecniche di data augmentation, specificamente il ribaltamento orizzontale casuale e la rotazione, per aumentare la diversità dei dati e mitigare l'overfitting.
• Architetture: Sono state implementate due architetture pre-addestrate, ResNet18 e ResNet50. Questi modelli sono stati originariamente addestrati sul dataset ImageNet.
• Strategia di Addestramento: Lo studio ha utilizzato tecniche di transfer learning che coinvolgono due strategie principali:
  1. Estrazione delle Caratteristiche (Feature Extraction): Congelamento dei primi strati convoluzionali e addestramento solo dei nuovi strati completamente connessi aggiunti.
  2. Fine-tuning: Scongelamento dell'intera rete con un basso tasso di apprendimento (learning rate) per adattare i pesi pre-addestrati alle specifiche caratteristiche dei dati MRI cerebrali.
• Classificazione: Le caratteristiche estratte sono state passate attraverso strati completamente connessi con attivazione ReLU e regolarizzazione dropout. È stato utilizzato un classificatore Softmax per produrre probabilità binarie per "Tumore" o "Nessun Tumore".

Contributi Chiave

• Sviluppo di un framework di deep learning automatizzato per il rilevamento dei tumori cerebrali utilizzando le architetture ResNet18 e ResNet50.
• Un'analisi comparativa della profondità del modello, valutando i compromessi tra ResNet18 (più leggera) e ResNet50 (più profonda) nel contesto di un dataset medico relativamente piccolo.
• Applicazione di specifiche strategie di transfer learning, inclusi il congelamento dei pesi e il fine-tuning, per ottimizzare l'efficienza e le prestazioni dell'addestramento.
• Valutazione completa dell'impatto della pre-elaborazione e della data augmentation (ridimensionamento, normalizzazione, ribaltamento) sulla generalizzazione del modello.

Risultati
I risultati sperimentali hanno dimostrato che l'architettura più leggera, ResNet18, ha superato la più profonda ResNet50 su questo specifico dataset.

• Accuratezza: La configurazione ottimale (combinando ridimensionamento, ribaltamento orizzontale casuale e normalizzazione) ha prodotto un'accuratezza del 97% per ResNet18 e del 96% per ResNet50.
• Metriche di Prestazione: ResNet18 ha raggiunto una sensibilità del 96,8%, una specificità del 97,2% e un F1-score di 0,97. ResNet50 ha raggiunto una sensibilità del 95,9%, una specificità del 96,1% e un F1-score di 0,96.
• Analisi dell'Overfitting: Lo studio ha osservato che ResNet50, con il suo maggior numero di parametri, era più incline all'overfitting sul dataset limitato, risultando in un plateau della perdita di addestramento leggermente superiore rispetto alla convergenza più fluida di ResNet18.
• Analisi ROC: La curva Receiver Operating Characteristic (ROC) ha indicato che ResNet18 possedeva un'Area Sotto la Curva (AUC) leggermente maggiore, confermando la sua superiore capacità di differenziare tra casi con e senza tumore in questo contesto.
• Confronto con la Letteratura: L'approccio basato su ResNet18 proposto ha raggiunto un'accuratezza superiore (97%) rispetto ai recenti metodi allo stato dell'arte citati nella letteratura, come ResNet50 con Grad-CAM (95,2%) e U-Net con encoder ResNet50 (96,1%).

Significato e Rivendicazioni
L'articolo afferma che il framework proposto offre una soluzione veloce, accurata ed economica per il rilevamento dei tumori cerebrali. Una scoperta primaria è che la profondità del modello non correla sempre con una migliore prestazione nei compiti di imaging medico con dati limitati; architetture più leggere come ResNet18 possono generalizzare più efficacemente rispetto a quelle più profonde come ResNet50, riducendo l'overfitting.

Gli autori sostengono che questo sistema supporti il processo decisionale clinico fornendo uno strumento automatizzato, affidabile e capace di assistere i radiologi, ridurre il carico di lavoro manuale e potenzialmente migliorare i tassi di rilevamento precoce. Lo studio conclude che, sebbene l'attuale lavoro si concentri sulla classificazione binaria, il framework getta le basi per future estensioni verso la classificazione multi-classe dei gradi tumorali, la localizzazione precisa del tumore e la segmentazione utilizzando architetture più complesse come ResUNet, nonché l'integrazione dell'IA spiegabile (XAI) per aumentare la fiducia clinica.