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

Il cervello umano è un organo complesso e, quando un tessuto anomalo inizia a crescere al suo interno, le conseguenze possono essere gravi. I medici si affidano pesantemente alla risonanza magnetica nucleare, o MRI, per vedere all'interno del cranio senza ricorrere alla chirurgia. Queste scansioni producono immagini dettagliate che rivelano la forma e la posizione di un tumore. Tuttavia, leggere queste immagini è un compito impegnativo. La scansione di un singolo paziente può contenere decine di sezioni, e un radiologo deve esaminarne ogni singola parte per individuare sottili differenze tra il tessuto sano e vari tipi di cancro. Questo processo richiede tempo, e anche i più esperti possono mancare un dettaglio o identificare erroneamente il tipo di tumore quando si trovano di fronte a migliaia di immagini. Per aiutare, gli scienziati si sono rivolti ai computer, insegnando loro a riconoscere gli schemi in queste immagini proprio come farebbe l'occhio umano. Questo campo, noto come deep learning, utilizza sistemi artificiali che imparano per esempi piuttosto che seguendo un insieme fisso di regole. L'obiettivo è creare uno strumento che possa assistere i medici nel diagnosticare i tumori cerebrali in modo più rapido e accurato, salvando potenzialmente vite uziali individuando le malattie precocemente.

In uno studio recente, ricercatori dell'Università di Delhi hanno affrontato questa sfida costruendo un programma informatico specializzato progettato per classificare le scansioni MRI cerebrali in quattro categorie distinte. Volevano sapere se il loro sistema fosse in grado di distinguere tra un cervello sano e tre tipi specifici di tumori: gliomi, meningiomi e tumori ipofisari. Gli gliomi sono tumori che iniziano nel tessuto simile a una colla che sostiene il cervello, i meningiomi crescono sulle membrane che rivestono il cervello e i tumori ipofisari si formano vicino alla ghiandola ipofisi alla base del cranio. Il team non ha utilizzato un modello informatico preesistente e massiccio che fosse già stato addestrato su milioni di immagini. Invezione, hanno costruito un sistema personalizzato e leggero da zero. Questo approccio è stato scelto per mantenere la tecnologia semplice ed efficiente, richiedendo meno potenza di calcolo e memoria rispetto ai modelli pesanti e complessi spesso utilizzati in altri studi.

I ricercatori hanno iniziato raccogliendo una vasta collezione di immagini cerebrali da un database pubblico. Hanno selezionato in totale 7.023 immagini, che includevano 1.621 gliomi, 1.645 meningiomi, 1.757 tumori ipofisari e 2.000 immagini di cervelli sani senza tumori. Queste immagini provenivano da diverse angolazioni — alcune guardando dall'alto verso il basso, altre dal lato o dal davanti — fornendo al computer una vista diversificata dell'anatomia cerebrale. Prima di insegnare al computer, il team ha preparato le immagini ridimensionandole tutte alle stesse dimensioni e regolando i livelli di luminosità in modo che il computer potesse elaborarle più facilmente. Hanno poi suddiviso i dati, utilizzando la maggior parte delle immagini per istruire il sistema e trattenendo un gruppo più piccolo per testare quanto bene il sistema avesse imparato.

Il modello informatico che hanno costruito funziona rimuovendo strati di informazioni, molto simile a guardare un'immagine attraverso una serie di lenti via via più specifiche. Il sistema contiene sette strati che scansionano l'immagine per trovare forme e texture di base, seguiti da strati che combinano questi dettagli semplici in schemi più complessi, come i confini di un tumore. I ricercatori hanno utilizzato un metodo matematico specifico per aiutare il sistema a imparare rapidamente ed evitare di bloccarsi, e hanno incluso un meccanismo per impedire al sistema di memorizzare troppo perfettamente le immagini di addestramento, il che lo renderebbe inadatto a nuovi dati. Dopo aver addestrato il modello per 25 round, durante i quali ha visto le immagini ripetutamente e ha regolato le sue impostazioni interne per migliorare le sue ipotesi, i risultati sono stati sorprendenti.

Quando i ricercatori hanno testato il modello sulle immagini che non aveva mai visto prima, esso ha identificato correttamente il tipo di condizione cerebrale nel 96,1 percento dei casi. Il sistema è stato particolarmente bravo a individuare i cervelli sani e i tumori ipofisari, ottenendo punteggi quasi perfetti per queste categorie. Ha anche performato con forza sui tipi più difficili, gliomi e meningiomi, classificandoli correttamente la stragrande maggioranza delle volte. Lo studio ha confrontato questi risultati con altri recenti tentativi di risolvere lo stesso problema, molti dei quali si basavano su architetture informatiche molto più grandi e complesse. Quei modelli precedenti raggiungevano tassi di accuratezza compresi tra circa l'89 e il 95 percento. Il nuovo, più semplice modello ha superato tutti, raggiungendo un'accuratezza del 96,1 percento pur utilizzando meno risorse.

I ricercatori hanno notato che il sistema occasionalmente confondeva gli gliomi con i meningiomi, il che è comprensibile perché questi due tipi di tumori possono apparire molto simili in una scansione MRI. Tuttavia, la performance complessiva è stata abbastanza robusta da suggerire che questo approccio leggero sia uno strumento praticabile per l'uso medico. Gli autori sottolineano che, sebbene il modello informatico mostri grande potenziale, non è ancora un sostituto di un medico. I passi successivi prevedono il test del sistema su dati provenienti da più ospedali per garantire che funzioni in modo affidabile su diversi tipi di macchine MRI e popolazioni di pazienti. Se la futura validazione confermerà questi risultati, tale strumento potrebbe diventare una parte standard del processo diagnostico, aiutando i team medici a prendere decisioni più rapide e sicure su come trattare i pazienti con tumori cerebrali.