TumorXAI: Self-Supervised Deep Learning Framework for Explainable Brain MRI Tumor Classification

Technische Samenvatting: TumorXAI Framework voor Classificatie van Hersen-MRI

Probleemstelling
De automatische classificatie van hersentumoren met behulp van Magnetische Resonantie Imaging (MRI) is cruciaal voor vroege diagnose en behandeling. Het vakgebied staat echter voor aanzienlijke uitdagingen door de hoge heterogeniteit van tumoren en het gebrek aan grote, geannoteerde medische datasets. Traditionele supervised deep learning-approaches zijn sterk afhankelijk van gelabelde data, die duur en tijdrovend te verkrijgen is, met name voor zeldzame tumorsoorten die leiden tot class imbalance. Bijgevolg bestaat er behoefte aan methoden die de overvloed aan ongelabelde data kunnen benutten om robuuste feature representaties te leren zonder expliciete supervisie.

Methodologie
De auteurs stellen TumorXAI voor, een self-supervised learning (SSL) framework ontworpen voor multi-class classificatie van hersentumoren. De methodologie volgt een gestructureerde pijplijn:

1. Dataset: De studie maakt gebruik van een publiek beschikbare dataset van 4.448 MRI-scans, bestaande uit 17 verschillende tumorclasses (waaronder Glioom, Schwannoom, Meningioom, Neurocytoom, Andere Laesies en Normale gevallen). De dataset vertoont een inherente class imbalance.
2. Preprocessing en Augmentatie: Om de robuustheid van het model te vergroten, pasten de auteurs sterke data-augmentatietechnieken toe, waaronder random resizing, cropping, horizontaal spiegelen, rotatie (±20°), zoomen (±10%), helderheidsaanpassing en Gaussische blur. De dataset werd geaugmenteerd om de classes in evenwicht te brengen, wat resulteerde in een trainingsset van 8.500 afbeeldingen, een validatieset van 1.062 en een testset van 1.063.
3. Modelarchitectuur: Het framework maakt gebruik van een ResNet-50 backbone. De auteurs evalueerden vier prominente SSL-frameworks voor pretraining: SimCLR, BYOL, DINO en MoCo v3.
   • SimCLR: Maakt gebruik van een contrastive learning-approach met een projection head (Linear → ReLU → Linear) en NT-Xent loss om de overeenkomst tussen geaugmenteerde views van dezelfde afbeelding te maximaliseren.
   • BYOL, DINO, MoCo v3: Deze werden geïmplementeerd met specifieke hyperparameterconfiguraties (leersnelheden, temperatuurinstellingen en weight decays) die op maat waren gemaakt voor elk algoritme.
4. Trainingspijplijn: De workflow omvat SSL-pretraining (80 epochs), gevolgd door lineaire evaluatie (50 epochs) en fine-tuning (50 epochs). De modellen werden geoptimaliseerd met de AdamW-optimizer en cross-entropy loss, met early stopping.
5. Uitlegbaarheid (XAI): Om klinische interpreteerbaarheid te waarborgen, integreert de studie Explainable AI-technieken, specifiek Grad-CAM, Grad-CAM++ en Eigen-CAM, om de regio's van de MRI-afbeeldingen te visualiseren die van invloed zijn op de beslissingen van het model.

Belangrijkste Bijdragen

• Comparatieve Analyse van SSL in Medische Imaging: Het artikel biedt een exhaustieve comparatieve analyse van vier state-of-the-art SSL-frameworks (SimCLR, BYOL, DINO, MoCo v3), specifiek voor de complexe taak van multi-class classificatie van hersentumoren (17 classes).
• Prestaties met Beperkte Labels: De studie toont aan dat SSL-gepretrainde modellen traditionele supervised baselines kunnen overtreffen in scenario's waar gelabelde data beperkt is, waarmee het probleem van data-schaarste in medische imaging effectief wordt aangepakt.
• Integratie van XAI: Het framework combineert hoogwaardige classificatie met tools voor visuele interpreteerbaarheid, waardoor de kloof tussen deep learning-nauwkeurigheid en klinisch vertrouwen wordt overbrugd.
• Robuust Feature Learning: Het onderzoek valideert dat SSL-methoden semantische en discriminerende feature spaces kunnen leren die complexe tumorsubtypes effectief scheiden, zoals blijkt uit t-SNE-visualisaties.

Resultaten
Experimentele evaluaties op de 17-class dataset leverden de volgende belangrijkste bevindingen op:

• Superioriteit van SimCLR: Van de vier frameworks behaalde SimCLR de hoogste prestaties over alle metrieken.
  • Fine-tuning Prestaties: SimCLR bereikte 99,64% nauwkeurigheid, precisie, recall en F1-score.
  • Test Prestaties: SimCLR behield een testnauwkeurigheid van 97,27% met een F1-score van 0,9727.
  • Validatie Prestaties: Het behaalde 97,65% nauwkeurigheid op de validatieset.
• Vergelijking met Andere SSL-modellen:
  • MoCo v3 presteerde sterk met 99,48% nauwkeurigheid bij fine-tuning, maar bleef SimCLR iets voorbij in de test (94,92%).
  • BYOL behaalde 97,66% nauwkeurigheid bij fine-tuning en 96,14% in de test.
  • DINO toonde een hoge nauwkeurigheid bij fine-tuning (98,68%), maar had aanzienlijke moeite tijdens de lineaire evaluatie (45,24%) en de test (95,58%), wat wijst op potentiële instabiliteit in feature transfer voor deze specifieke taak.
• Visualisatie: t-SNE-visualisaties bevestigden dat SimCLR de meest goed gedefinieerde clusters produceerde voor verschillende tumorsubtypes. Een analyse van de confusion matrix onthulde dat SimCLR de minst ruisende error-distributie had in vergelijking met de andere modellen.
• XAI-validatie: De Grad-CAM- en Eigen-CAM-visualisaties slaagden erin om klinisch relevante tumorregio's te benadrukken, wat bevestigt dat de voorspellingen van het model gebaseerd waren op betekenisvolle anatomische kenmerken en niet op artefacten.

Betekenis en Claims
Het artikel claimt dat TumorXAI de schaalbaarheid en betrouwbaarheid van self-supervised learning voor de diagnose van hersentumoren uit ongelabelde medische data aantoont. Door SSL te benutten, verlicht de aanpak de afhankelijkheid van grote geannoteerde datasets, een belangrijke bottleneck in medische AI. De studie positioneert SimCLR als een robuust, schaalbaar hulpmiddel dat radiologen kan ondersteunen bij het nemen van efficiënte en nauwkeurige klinische beslissingen.

De auteurs merken op dat, hoewel de resultaten veelbelovend zijn, de studie zich richtte op single-sequence MRI-data. Ze erkennen bescheiden dat toekomstig werk multi-sequence en multimodale MRI-data moet verkennen om de representatie en generalisatie over diverse datasets verder te verbeteren. Het artikel concludeert dat SSL, en met name SimCLR, een belangrijke stap voorwaarts is naar vertrouwd, geautomatiseerd classificeren van hersentumoren in de klinische praktijk.