Optimized Weighted Voting System for Brain Tumor Classification Using MRI Images

Technische Samenvatting: Geoptimaliseerd Gewogen Stemmingssysteem voor Hersentumorclassificatie

1. Probleemstelling

De accurate classificatie van hersentumoren (glioom, meningioom en hypofysetumor) op MRI-scanbeelden is cruciaal voor diagnose en behandelplanning. Traditionele methoden en enkele deep-learning-modellen hebben echter beperkingen:

• Variabiliteit: Tumoren vertonen diverse morfologische kenmerken (vorm, textuur, locatie) en MRI-opnamecondities variëren, wat precieze classificatie bemoeilijkt.
• Enkele modellen: Zowel traditionele machine learning-modellen (zoals SVM en KNN) als diepe neurale netwerken (zoals CNN's) hebben elk hun eigen sterke en zwakke punten wanneer ze onafhankelijk worden toegepast.
• Behoefte: Er is een geïntegreerde strategie nodig die de complementariteit van verschillende modellen benut om de robuustheid en nauwkeurigheid te maximaliseren.

2. Methodologie

De auteurs stellen een gewichtend ensemble-learning framework voor dat meerdere classifiers combineert met diverse data-representaties. Het proces omvat de volgende stappen:

A. Beeldverwerking en Feature Extractie
Om de kenmerkextractie te verbeteren, worden verschillende voorbewerkingsstappen toegepast:

• Contrastverbetering: Toepassing van Balance Contrast Enhancement Technique (BCET) op grijstintenbeelden om tumorcomponenten zichtbaarder te maken.
• Segmentatie: Gebruik van K-means clustering om de schedel, zachte weefsels en tumoren te scheiden.
• Randdetectie: Toepassing van Canny edge detection (met Gauss-filtering en Sobel-operatoren) om scherpe tumorgrenzen te genereren.
• Feature Representaties: Het systeem gebruikt drie hoofdtypen invoer:
  1. Originele grijstintenbeelden (512x512 px).
  2. Randgedetecteerde beelden (edge images).
  3. Handgemaakte features, specifiek Histogram of Oriented Gradients (HOG), gekozen vanwege hun weerstand tegen contrastveranderingen en hun vermogen om globale structuren vast te houden.

B. Ensemble Architectuur
Het ensemble bestaat uit zeven verschillende classifiers die elk specifieke invoer verwerken:

1. Traditionele ML:
   • KNN (K-Nearest Neighbors): Verwerkt HOG-features voor vorm- en textuuranalyse.
   • SVM (Support Vector Machines): Verwerkt HOG-features met verschillende kernel-functies (o.a. Lineair, RBF).
2. Deep Learning (CNN-architecturen):
   • CNN-MRI: Een aangepast CNN voor volledige grijstintenbeelden.
   • ResNet50 & Xception: Getraind op randgedetecteerde beelden om structurele details te benadrukken.
   • ResNet101 & DenseNet121: Getraind op grijstintenbeelden om diepe semantische patronen en subtiele morfologische verschillen te vangen.

C. Gewogen Stemmingssysteem (Weighted Voting)
In plaats van een eenvoudige meerderheidsstemming, wordt een gewichtend stemmingmechanisme gebruikt. De uiteindelijke voorspelling ($y_{final}$) wordt bepaald door de som van de voorspellingen van alle modellen, gewogen op basis van hun individuele prestaties:
$$y_{final} = \arg \max_{c} \left( \sum_{i=1}^{n} w_i \cdot p_{i,c} \right)$$
Waarbij $w_i$ het gewicht is van classifier $i$ en $p_{i,c}$ de betrouwbaarheidsscore voor klasse $c$. De gewichten worden geoptimaliseerd (via AutoKeras en Optuna) om modellen met hogere nauwkeurigheid meer invloed te geven.

3. Belangrijkste Bijdragen

• Hybride Integratie: Het uniek combineren van traditionele machine learning (SVM/KNN) met state-of-the-art deep learning-modellen in één ensemble.
• Diverse Data Representaties: Het effectief benutten van zowel originele beelden als randgedetecteerde beelden en HOG-features om verschillende aspecten van de tumor te analyseren.
• Geoptimaliseerde Weegstrategie: Het ontwikkelen van een dynamisch gewichtssysteem dat de bijdrage van elke classifier baseert op zijn specifieke prestaties op de dataset, in plaats van een statische of gelijke verdeling.
• State-of-the-Art Resultaten: Het bereiken van ongeëvenaarde nauwkeurigheid op twee veelgebruikte datasets (Figshare en Kaggle).

4. Resultaten

De methode werd getest op twee datasets:

1. Kaggle Dataset: 7.023 beelden (4 klassen: glioom, meningioom, hypofysetumor, geen tumor).
2. Figshare Dataset: 3.064 beelden (3 klassen, onbalans in klassenverdeling).

Prestaties:

• Individuele Modellen: Deep learning-modellen presteerden over het algemeen beter dan traditionele modellen. ResNet101 en DenseNet121 behaalden de hoogste individuele scores.
• Ensemble Resultaten:
  • Op de Figshare dataset bereikte het geoptimaliseerde ensemble 99,46% nauwkeurigheid.
  • Op de Kaggle dataset bereikte het ensemble 99,85% nauwkeurigheid.
• Vergelijking: Deze resultaten overtreffen eerdere single-model benaderingen (zoals ResNet50 of CNN alleen, die rond de 97-98% bleven) en bestaande ensemble-methoden (die rond de 97,55% - 98,40% lagen).

5. Betekenis en Conclusie

Dit onderzoek demonstreert dat een gewichtend ensemble-learning framework een betrouwbare en schaalbare oplossing biedt voor de medische beeldanalyse.

• Robuustheid: Door de sterke punten van verschillende architecturen te combineren, wordt de variabiliteit in tumorvormen en beeldkwaliteit beter aangepakt.
• Klinische Toepasbaarheid: De hoge nauwkeurigheid (>99%) en het vermogen om onderscheid te maken tussen complexe tumorsoorten maken dit systeem potentieel waardevol voor ondersteuning bij klinische diagnoses.
• Toekomstperspectief: Hoewel de resultaten indrukwekkend zijn, blijven uitdagingen bestaan bij het onderscheiden van zeer vergelijkbare tumoren (zoals glioom vs. meningioom). Toekomstig werk richt zich op dynamische weging en geavanceerde feature engineering om deze specifieke grenzen verder te verfijnen.

Kortom, de paper bewijst dat het slim combineren van diverse AI-modellen via een geoptimaliseerd stemmingssysteem superieur is aan het gebruik van een enkel model voor de diagnose van hersentumoren.