StrokeNeXt: A Siamese-encoder Approach for Brain Stroke Classification in Computed Tomography Imagery

Het artikel presenteert StrokeNeXt, een Siamese-encoder-model op basis van ConvNeXt dat 2D CT-beelden analyseert om beroertes te detecteren en te classificeren, en dat met statistisch significante verbeteringen in nauwkeurigheid, kalibratie en inferentiesnelheid presteert ten opzichte van bestaande methoden.

De kern

StrokeNeXt: De Slimme Tweeling die Herseninfarcten Ontdekt

Stel je voor dat een herseninfarct (stroke) een plotselinge brand is in een huis. Soms is de brand veroorzaakt door een verstopte leiding (een ischemisch infarct), en soms door een gebarsten waterpijp die overal water laat lekken (een hemorragisch infarct). Het is cruciaal om het verschil te weten, want de brandweer (de artsen) moet een heel andere strategie kiezen: bij een verstopping moet je de leiding openmaken, maar bij een lek moet je eerst het lek dichten. Als je dit verkeerd doet, kan het huis volledig instorten.

Helaas is het voor menselijke artsen om deze "brand" op een CT-scan (een soort 3D-röntgenfoto van de hersenen) te zien, soms lastig en tijdrovend. Ze moeten door duizenden beelden kijken, en zelfs de beste specialisten kunnen moe worden of iets over het hoofd zien.

Hier komt StrokeNeXt in beeld. Het is een nieuwe computerprogramma dat is ontworpen om deze taak sneller en nauwkeuriger te doen dan ooit tevoren.

Hoe werkt het? De "Tweeling"-strategie

De meeste oude programma's kijken naar een foto met één paar ogen. Ze proberen alles in één keer te begrijpen. StrokeNeXt doet iets slims anders: het gebruikt een tweeling.

1. De Twee Broers (De Encoders): Het programma heeft twee identieke "broers" (die we ConvNeXt-encoders noemen). Beide broers kijken naar exact dezelfde CT-scan, maar ze denken er op hun eigen manier over na.
   • De analogie: Stel je voor dat twee detectives naar een moordplek kijken. De ene detective let op de vingerafdrukken, de andere op de voetafdrukken. Ze kijken naar hetzelfde, maar halen verschillende details uit de chaos. Omdat ze niet met elkaar praten tijdens het kijken, ontdekken ze dingen die de ander misschien mist.
2. De Samenvoeging (De Decoder): Na het kijken komen de twee broers samen bij een "knooppunt" (de decoder). Hier worden hun bevindingen samengevoegd.
   • De analogie: In plaats van dat ze gewoon hun aantekeningen bij elkaar optellen, gebruiken ze een slimme methode om te zien hoe hun bevindingen elkaar aanvullen. Het is alsof ze een puzzel maken waarbij de ene broer de randjes heeft en de andere het midden, waardoor het hele plaatje perfect past.
3. Het Oordeel: Aan het einde geeft het programma een simpel antwoord: "Is er een brand?" (Ja/Nee) en zo ja, "Wat voor soort brand is het?" (Verstopping of Lek?).

Waarom is dit zo goed?

De onderzoekers hebben StrokeNeXt getest op bijna 7.000 echte CT-scans. Het resultaat was verbluffend:

• Bijna perfect: Het programma had een nauwkeurigheid van bijna 99%. Dat betekent dat het bijna nooit een fout maakt. Ter vergelijking: andere bekende programma's (zoals die op basis van oude technologie of andere AI-modellen) maakten veel vaker fouten.
• Snelheid: Het is niet alleen slim, maar ook supersnel. Het kan in één seconde honderden scans analyseren. Een menselijke arts heeft daar minuten voor nodig.
• Betrouwbaar: Het programma is niet alleen slim, maar ook "nuchter". Het geeft geen valse hoop of onnodige paniek. Als het zegt dat er een infarct is, dan is er bijna zeker een infarct.

De Grootte van het Programma

Het mooie van StrokeNeXt is dat het flexibel is.

• Er is een kleine versie (StrokeNeXt-tiny) die zo licht is dat het zelfs op een gewone laptop of in een ziekenhuis met beperkte apparatuur kan draaien. Deze is al snel en nauwkeurig genoeg voor de meeste situaties.
• Er is een grote versie (StrokeNeXt-large) die nog iets nauwkeuriger is, maar wel meer rekenkracht nodig heeft. Dit is voor de zwaarste gevallen.

Wat betekent dit voor de toekomst?

Dit onderzoek laat zien dat we AI kunnen gebruiken om artsen te helpen, niet om hen te vervangen. Door de computer de saaie, tijdrovende taak te laten doen van het scannen van beelden, krijgen artsen meer tijd om te kijken naar de patiënt en de beste behandeling te kiezen.

Kortom: StrokeNeXt is als een super-snelle, dubbel-zorgzame detective die nooit moe wordt, altijd twee kanten op kijkt, en ons helpt om levens te redden door herseninfarcten sneller en beter te herkennen.

Technische samenvatting

Probleemstelling

Beroertes (strokes) zijn een levensbedreigende aandoening en een leidende oorzaak van mortaliteit en langdurige invaliditeit wereldwijd. De klinische beoordeling vereist een snelle en nauwkeurige differentiatie tussen twee hoofdtypes: ischemische beroertes (veroorzaakt door een blokkade) en hemorragische beroertes (veroorzaakt door een bloeding). Een verkeerde classificatie kan leiden tot ongeschikte behandelingen met dodelijke gevolgen.

Hoewel beeldvormingstechnieken zoals CT (Computed Tomography) en MRI essentieel zijn, blijft de interpretatie complex, tijdsgevoelig en afhankelijk van expert-radiologen. Dit leidt tot:

• Menselijke fouten en variabiliteit tussen waarnemers.
• Hoge operationele kosten en tekort aan gespecialiseerd personeel, vooral in hulpbronnenbeperkte omgevingen.
• De noodzaak voor AI-oplossingen die niet alleen hoog accuraat zijn, maar ook rekenkundig efficiënt om inzetbaar te zijn in tijdskritische klinische settings. Bestaande methoden (zoals 3D-CNN's of Transformers) zijn vaak te zwaar of vereisen te veel data, terwijl traditionele CNN's soms tekortschieten in representatiekracht.

Methodologie: StrokeNeXt

De auteurs stellen StrokeNeXt voor, een Deep Learning-model specifiek ontworpen voor de classificatie van beroertes op 2D CT-beelden. De architectuur kenmerkt zich door een dual-branch (twee takken) Siamese-encoder ontwerp.

1. Architectuur:

• Dual-Branch Encoders: Het model gebruikt twee identieke, parallelle encoders die beide gebaseerd zijn op ConvNeXt (een CNN-architectuur die principes van Transformers integreert, zoals grotere kernels en GELU-activaties).
  • Hypothese: Hoewel beide takken dezelfde input verwerken, worden ze onafhankelijk geoptimaliseerd. Dit zorgt ervoor dat ze verschillende abstractiepaden verkennen en complementaire visuele kenmerken extraheren, waardoor informatieverlies wordt tegengegaan dat vaak optreedt bij single-path pipelines.
• Lightweight Fusion Decoder: De features van de twee encoders worden samengevoegd via een speciaal ontworpen decoder:
  • De output van de encoders wordt gestapeld tot een synthetische sequentie van lengte 2.
  • Een 1D-convolutie (kerngrootte $k=2$) voert een geleerde, kanaal-mixende combinatie uit in plaats van een simpele som of concatenatie.
  • Dit wordt gevolgd door een bottleneck-transformatie (twee punt-convoluties) met optionele verborgen dimensies, normalisatie (BatchNorm), GELU-activaties en Dropout.
  • Dit ontwerp minimaliseert parameters en geheugenverkeer ten opzichte van MLP's of Attention-mechanismen, terwijl het toch cross-branch interacties leert.
• Classificatiehead: Een compacte laag voor de uiteindelijke classificatie.

2. Dataset en Preprocessing:

• Dataset: Gebruik gemaakt van de "Stroke Dataset" (TEKNOFEST 2021) met 6.774 CT-beelden, geannoteerd door zeven radiologen.
• Classes: 4.551 niet-beroerte, 1.093 hemorragische beroerte, 1.130 ischemische beroerte.
• Experimentele setups:
  1. Beroerte-detectie: Niet-beroerte vs. Beroerte (ischemisch + hemorragisch samengevoegd).
  2. Subtype-classificatie: Ischemisch vs. Hemorragisch (alleen beroerte-gevallen).
• Preprocessing: Beelden zijn herschaald naar 224x224, genormaliseerd met ImageNet-statistieken, en verrijkt met augmentatie (flip, rotatie, jittering).

3. Training:

• Geïmplementeerd in PyTorch met Mixed Precision (AMP).
• Optimizer: AdamW met een ReduceLROnPlateau scheduler.
• Verliesfunctie: CrossEntropy met label smoothing.
• Hardware: NVIDIA A100 GPU.

Belangrijkste Bijdragen

1. StrokeNeXt Architectuur: Introductie van een dual-branch ConvNeXt-architectuur met een lichtgewicht decoder die complementaire features efficiënt fuseert.
2. Hoge Prestaties op Real-World Data: Bewezen hoge nauwkeurigheid bij het onderscheiden van beroerte van normale gevallen en het differentiëren van subtypes op een gecureerde dataset van bijna 7.000 beelden.
3. Efficiëntie vs. Accuraatheid: Het model biedt een schaalbaar compromis; de "tiny"-variant is extreem snel en lichtgewicht, terwijl de "large"-variant state-of-the-art nauwkeurigheid levert.
4. Statistische Validatie: Uitgebreide evaluatie met McNemar-tests, kalibratie-analyse (Brier score, ECE) en per-klasse sensitiviteit/specificiteit, wat aantoont dat de verbeteringen statistisch significant zijn en niet willekeurig.
5. Referentiekader: Het stellen van een nieuwe benchmark voor CT-gebaseerde beroerteclassificatie.

Resultaten

Het model werd getest tegen bestaande CNN's (MobileNetV2, ResNet, VGG), Transformers (Swin Transformer) en eerdere state-of-the-art methoden.

1. Beroerte-detectie (Niet-beroerte vs. Beroerte):

• Nauwkeurigheid: StrokeNeXt-large bereikte 98,7% nauwkeurigheid en een F1-score van 0,987. De "tiny"-variant behaalde al 97,8%.
• Vergelijking: Significant beter dan baselines zoals ResNet50 (87-89%) en Swin Transformer (89%).
• Statistiek: McNemar-tests toonden aan dat StrokeNeXt significant meer fouten corrigeerde dan concurrenten ($p < 0,0001$).
• Efficiëntie: De "tiny"-variant heeft een inferentie-tijd van 2 ms per beeld en verwerkt 570 beelden/sec, met slechts 1,4 GB GPU-geheugen.

2. Subtype-classificatie (Ischemisch vs. Hemorragisch):

• Nauwkeurigheid: StrokeNeXt-base bereikte 98,8% nauwkeurigheid en een F1-score van 0,988.
• Sensitiviteit/Specificiteit: Het model behaalde een uitzonderlijke balans met sensitiviteit en specificiteit > 0,97 voor beide klassen. Dit is cruciaal omdat het missen van een ischemische of hemorragische beroerte ernstige klinische gevolgen heeft.
• Vergelijking: Overtrof eerdere methoden zoals D-UNet (0,985) en P-CNN (0,983).
• Confusiematrices: Toonden zeer weinig misclassificaties, in tegenstelling tot baselines die vaak valse negatieven hadden bij ischemische gevallen.

3. Kalibratie:

• Het model vertoonde lage Brier-scores en Expected Calibration Error (ECE), wat aangeeft dat de voorspelde waarschijnlijkheden goed overeenkomen met de werkelijke waarschijnlijkheid (betrouwbare output voor klinische beslissingen).

Betekenis en Conclusie

StrokeNeXt adresseert de kritieke afweging tussen diagnostische nauwkeurigheid en rekenkundige efficiëntie in de medische beeldanalyse.

• Klinische Impact: Het vermogen om ischemische en hemorragische beroertes met hoge precisie en snelheid te onderscheiden, kan de tijd tot behandeling verkorten en de kwaliteit van zorg verbeteren, zelfs in omgevingen met beperkte middelen.
• Technische Innovatie: De dual-branch Siamese-structuur met een 1D-convolutie-fusie bewijst dat het mogelijk is om de representatiekracht van zware modellen te benaderen met een veel efficiëntere architectuur, zonder afhankelijk te zijn van enorme datasets of 3D-volumetrische verwerking.
• Toepasbaarheid: De beschikbaarheid van een "tiny"-variant maakt real-time implementatie haalbaar, terwijl de "large"-variant dient als een nieuwe standaard voor maximale prestaties.

Samenvattend biedt StrokeNeXt een robuust, betrouwbaar en snel alternatief voor bestaande methoden, met statistisch onderbouwde superioriteit in zowel detectie als subtypering van beroertes op CT-beelden.