OkanNet: A Lightweight Deep Learning Architecture for Classification of Brain Tumor from MRI Images

Dit onderzoek introduceert OkanNet, een lichtgewicht CNN-architectuur die, hoewel minder nauwkeurig dan ResNet-50 (88,10% versus 96,49%), aanzienlijk sneller is in training en daardoor een efficiënt alternatief biedt voor het classificeren van hersentumoren op MRI-beelden in systemen met beperkte rekenkracht.

De kern

OkanNet: Een Slimme, Lichte Hulp voor Hersentumor-Detectie

Stel je voor dat radiologen als detectives zijn die door duizenden foto's van hersenen moeten bladeren om te zoeken naar een verdachte plek: een tumor. Dit is een zware taak. Het kost tijd, en als de detective moe wordt, kan hij of zij iets over het hoofd zien.

De auteurs van dit onderzoek, Okan Uçar en Murat Kurt, wilden een digitale assistent bouwen die deze detectives helpt. Ze hebben twee verschillende soorten "digitale detectives" getest om te zien welke het beste werkt: een snelle, lichte starter en een ervaren, zware expert.

Hier is hoe het werkt, uitgelegd in simpele taal:

1. De Twee Kandidaten

Kandidaat A: OkanNet (De Snelle Starter)
Stel je voor dat OkanNet een jonge, energieke leerling is die alles van nul af leert.

• Hoe het werkt: De onderzoekers hebben deze computerprogramma van scratch (vanaf nul) gebouwd. Het is speciaal ontworpen om heel weinig rekenkracht te gebruiken.
• Het voordeel: Het is als een fiets: licht, wendbaar en snel. Het kan in een paar minuten zijn werk doen.
• Het nadeel: Omdat het nog niet zo veel ervaring heeft, maakt het iets meer fouten dan de zware expert.

Kandidaat B: ResNet-50 (De Ervaren Expert)
Stel je voor dat ResNet-50 een gepensioneerde professor is die al miljoenen foto's van alledaagse dingen (zoals katten, auto's en bomen) heeft gezien.

• Hoe het werkt: Dit programma is al vooraf getraind op een enorme database (ImageNet). De onderzoekers hebben deze "professor" gevraagd om zijn kennis over te dragen op hersentumoren. Dit heet Transfer Learning.
• Het voordeel: Het is als een zware vrachtwagen met een krachtige motor: het ziet details die anderen missen en maakt zeer weinig fouten.
• Het nadeel: Het is zwaar en traag. Het heeft veel tijd en een krachtige computer nodig om te werken.

2. De Grote Test

De onderzoekers gaven beide kandidaten dezelfde opdracht: ze moesten 7.023 MRI-foto's van hersenen bekijken en zeggen of er een tumor is, en zo ja, welke soort (Glioom, Meningioom, Hypofyse-tumor of geen tumor).

De Uitslag:

• De Expert (ResNet-50): Deze deed het fantastisch. Hij had 96,5% gelijk. Hij zag bijna alles perfect. Maar hij had wel 16 minuten nodig om te leren en te werken.
• De Starter (OkanNet): Deze deed het ook heel goed, met 88,1% gelijk. Hij maakte iets meer fouten, maar hij was 3,2 keer sneller! Hij had slechts 5 minuten nodig.

3. Wat betekent dit voor de praktijk?

Het onderzoek laat zien dat er geen "één beste oplossing" is, maar dat het afhangt van waar je de technologie wilt gebruiken:

• In het ziekenhuis (De Zware Expert): Als je in een groot ziekenhuis zit met krachtige computers en je wilt de allerbeste diagnose voor een patiënt, kies je voor ResNet-50. De snelheid is minder belangrijk dan de 100% zekerheid.
• In de ambulance of op een mobiel apparaat (De Snelle Starter): Stel je voor dat een arts in een afgelegen dorp werkt, of in een mobiele MRI-eenheid waar de batterij beperkt is. Daar heb je geen zware server nodig. Dan is OkanNet perfect. Het is licht genoeg om op een laptop of zelfs een tablet te draaien en geeft snel een goed antwoord.

4. Waar maken ze nog fouten?

Zelfs de beste expert (en de snelle starter) hebben moeite met twee specifieke soorten tumoren: Glioom en Meningioom. Op de foto's lijken deze twee tumoren op elkaar, net zoals een wolf en een hond op elkaar lijken voor een leek. De computer moet heel goed kijken om het verschil te zien. De "professor" (ResNet-50) is hier beter in dan de "leerling" (OkanNet), maar beide doen het goed bij het onderscheiden van gezonde hersenen en tumoren.

Conclusie: De Kunst van de Afweging

Dit onderzoek is een mooie les in afwegen.

• Wil je maximale precisie? Dan kies je de zware, langzame expert.
• Wil je snelheid en efficiëntie voor mobiele toepassingen? Dan kies je de lichte, snelle starter.

De onderzoekers hopen dat ze in de toekomst OkanNet nog slimmer kunnen maken, zodat het niet alleen snel is, maar ook net zo slim als de zware expert. Zo kunnen artsen overal ter wereld, zelfs zonder krachtige computers, snelle en betrouwbare diagnoses stellen.

Technische samenvatting

Technische Samenvatting: OkanNet voor Brain Tumor Classificatie

1. Probleemstelling

De diagnose van hersentumoren (zoals Glioom, Meningioom, Hypofyse-tumor) op basis van Magnetische Resonantie Imaging (MRI) is cruciaal voor de behandeling, maar het handmatig analyseren van honderden MRI-slices door radiologen is tijdrovend en vatbaar voor menselijke fouten door vermoeidheid. Hoewel diepe leermodellen (Deep Learning) veelbelovend zijn, bestaat er een afweging (trade-off) tussen classificatie-accuraatheid en rekenkracht/efficiëntie. Bestaande modellen zijn vaak ofwel zeer nauwkeurig maar zwaar (zoals ResNet-50), of lichtgewicht maar minder nauwkeurig. Er is behoefte aan systemen die geschikt zijn voor zowel zware servers als mobiele/embedded systemen in de medische zorg.

2. Methodologie

De auteurs hebben twee verschillende Deep Learning-benaderingen ontwikkeld en vergeleken op een uitgebreide dataset van 7.023 MRI-afbeeldingen (verzameld door Masoud Nickparvar), verdeeld over vier klassen: Glioom, Meningioom, Hypofyse-tumor en Geen Tumor.

Data Preprocessing:

• Resizing: Alle afbeeldingen zijn gereduceerd naar $224 \times 224$ pixels (standaard voor ResNet-50) met behulp van bi-cubische interpolatie.
• Kanaalconversie: Grayscale MRI-afbeeldingen zijn omgezet naar 3-kanaals (RGB) omdat de modellen dit vereisen.
• Data Augmentatie: Toepassing van willekeurige rotatie, horizontale spiegeling en translatie om overfitting te voorkomen.

Benadering 1: OkanNet (Aangepast CNN)

• Een van scratch ontworpen Convolutional Neural Network (CNN) met een lage rekenkost.
• Architectuur: Bestaat uit drie opeenvolgende convolutieblokken met filters van $3 \times 3$ (respectievelijk 16, 32 en 64 filters), gevolgd door Max Pooling ($2 \times 2$), Batch Normalization, ReLU-activatie, en tenslotte een classificatielaag met Dropout (50%).
• Doel: Een model creëren dat snel te trainen is en weinig hardware-resources vereist, geschikt voor mobiele apparaten.

Benadering 2: Transfer Learning (ResNet-50)

• Gebruik van het vooraf getrainde ResNet-50 model (ImageNet, 50 lagen).
• Fine-tuning: De laatste classificatielaag (1000 klassen) is vervangen door een nieuwe fully connected laag met 4 uitgangen.
• Doel: Maximaliseren van de nauwkeurigheid door gebruik te maken van reeds geleerde features uit een enorme dataset.

Experimentele Setup:

• Hardware: NVIDIA GeForce RTX 2060 GPU.
• Software: MATLAB R2023b met Deep Learning Toolbox.
• Hyperparameters: 8 epochs, mini-batch size 32, learning rate $10^{-4}$, optimizer SGDM.

3. Belangrijkste Resultaten

De prestaties werden geëvalueerd op basis van Accurate, Precision, Recall, F1-Score en Trainingstijd.

Metriek	OkanNet (Custom)	ResNet-50 (Transfer Learning)
Accuracy	88,10%	96,49%
Precision	0,877	0,963
Recall	0,872	0,962
F1-Score	0,875	0,962
Trainingstijd	311 seconden (~5 min)	1000 seconden (~16 min)

Analyse van de resultaten:

• ResNet-50 presteerde aanzienlijk beter in nauwkeurigheid (96,49% vs 88,10%) en convergeerde veel sneller tijdens het trainen dankzij de transfer learning.
• OkanNet was 3,2 keer sneller in trainingstijd dan ResNet-50, ondanks het trainen van scratch.
• Foutanalyse: Beide modellen presteerden uitstekend (>98%) bij het onderscheiden van "Geen Tumor" (gezonde weefsels). De meeste fouten bij OkanNet vonden plaats tussen Glioom en Meningioom, wat bekend is als een moeilijke onderscheid in radiologie vanwege gelijkaardige weefselkarakteristieken. ResNet-50 toonde hier een hogere gevoeligheid.

4. Kernbijdragen

1. OkanNet Architectuur: Introductie van een lichtgewicht, custom CNN-architectuur die specifiek is ontworpen voor hersentumorclassificatie met minimale parameters en snelle trainingstijd.
2. Empirische Trade-off Analyse: Het paper levert kwantitatief bewijs voor de afweging tussen diepte (nauwkeurigheid) en efficiëntie (snelheid/bronnen). Het toont aan dat OkanNet een haalbaar alternatief is voor omgevingen met beperkte rekenkracht.
3. Open Source Implementatie: De volledige MATLAB-broncode (inclusief data preprocessing, training, evaluatie en visualisatie) is beschikbaar gesteld, wat reproduceerbaarheid bevordert.

5. Betekenis en Toekomstperspectief

De studie benadrukt dat er geen "one-size-fits-all" oplossing is in de medische beeldanalyse:

• Voor klinische beslissingsondersteuning waar maximale nauwkeurigheid cruciaal is, is ResNet-50 de voorkeurskeuze.
• Voor mobiele toepassingen, draagbare MRI-eenheden of systemen met beperkte verwerkingscapaciteit, is OkanNet de superieure keuze vanwege de snelheid en lage resource-vereisten.

Toekomstig werk omvat het testen van modernere hybride architecturen (zoals EfficientNet), het gebruik van synthetische data (GANs) om class-imbalance op te lossen, en de implementatie van OkanNet op mobiele platformen voor real-time diagnose. De auteurs onderzoeken ook de integratie van geavanceerde materiaalsimulatiemodellen (zoals BRDF/BSDF) als voorverwerkingsstap om de classificatie verder te verbeteren.