Brain tumor classification: A comparative analysis of deep learning techniques and impact of augmentation approaches on T1-CE MRI scans

Het menselijk brein is het commandocentrum van het lichaam, een complex netwerk van cellen dat gedachte, beweging en sensatie coördineert. Wanneer abnormale cellen zich ongecontroleerd beginnen te vermenigvuldigen binnen dit delicate orgaan, vormen ze tumoren die vitale functies kunnen verstoren en, indien niet behandeld, levensbedreigend kunnen worden. Artsen vertrouwen op medische beeldvorming, specifiek magnetische resonantie-imaging, om in de schedel te kijken en deze groei te ontdekken. Deze scans produceren gedetailleerde beelden van hersenweefsel, maar het interpreteren ervan vereist een getraind oog om onderscheid te maken tussen verschillende soorten tumoren, zoals meningioom, glioma en hypofysetumoren, die elk een andere behandelstrategie vereisen. In de afgelopen jaren hebben wetenschappers zich tot kunstmatige intelligentie gewend om bij deze kritieke taak te assisteren. Door computerprogramma's te trainen om patronen in deze afbeeldingen te herkennen, hopen onderzoekers instrumenten te creëren die hersentumoren sneller en nauwkeuriger kunnen diagnosticeren dan traditionele methoden alleen.

Een team van onderzoekers aan de Amrita Vishwa Vidyapeetham in India begon met het testen hoe goed deze systemen voor kunstmatige intelligentie presteren wanneer zij geconfronteerd worden met de uitdaging van beperkte gegevens. In de wereld van medische beeldvorming zijn kwalitatief hoogwaardige scans vaak schaars, en het trainen van een computer om een ziekte te herkennen vereist meestal duizenden voorbeelden. Om dit op te lossen, onderzocht het team een techniek genaamd dataaugmentatie (dataverrijking). Dit proces houdt in dat bestaande afbeeldingen wiskundig worden aangepast – door ze te draaien, te spiegelen of de helderheid aan te passen – om nieuwe, synthetische versies te creëren. De onderzoekers wilden weten welke methode voor het creëren van deze extra afbeeldingen het beste werkte. Ze testten standaard geometrische veranderingen, geavanceerde mengtechnieken waarbij twee afbeeldingen samen worden gevoegd, en een geavanceerde methode met behulp van generatieve adversariële netwerken, een vorm van kunstmatige intelligentie die volledig nieuwe afbeeldingen vanaf nul creëert.

De studie richtte zich op een specifieke set van 3.064 hersenscans, die allemaal met een contrastmiddel zijn genomen om de tumoren duidelijk zichtbaar te maken. Het team voedde deze afbeeldingen aan zeven verschillende vooraf getrainde modellen voor kunstmatige intelligentie, die als digitale breinen fungeren omdat ze al veel patronen hebben geleerd van enorme hoeveelheden andere gegevens. Ze testten deze modellen om te zien welk model de drie belangrijkste typen hersentumoren correct kon identificeren. De resultaten lieten zien dat één specifelijk model, bekend als VGG-16, de anderen overtrof. Dit systeem bereikte een nauwkeurigheidspercentage van 92,45%, wat betekent dat het het type tumor in meer dan negen van de tien gevallen correct identificeerde. Het vertoonde ook een hoge betrouwbaarheid bij het onderscheiden van tumoren en gezond weefsel, met een specificiteit van 96,22%. De onderzoekers kwamen tot de conclusie dat de keuze van de wiskundige tool waarmee het model werd onderricht er aanzienlijk toe deed; een methode genaamd Adam bleek het meest effectief voor het begeleiden van het leerproces, waardoor het systeem sneller en betrouwbaarder naar het juiste antwoord convergerde dan andere opties.

Om ervoor te zorgen dat deze bevindingen geen gelukkig toeval waren, onderwierp het team hun beste model aan rigoureuze tests. Ze gebruikten een methode genaamd kruisvalidatie, wat inhoudt dat de gegevens in vijf verschillende groepen worden gesplitst en het model op elke groep wordt getest om te garanderen dat het consistent werkt. Ze vergeleken ook de verschillende manieren om extra afbeeldingen te creëren. De studie vond dat hoewel het creëren van nieuwe afbeeldingen vanuit het niets met generatieve adversariële netwerken een interessante benadering was, de meest consistente resultaten voortkwamen uit simpelere, traditionele methoden zoals het draaien en spiegelen van de originele scans. Toen de onderzoekers twee afbeeldingen met elkaar mengden of de geavanceerde generatieve benadering gebruikten, verbeterde de prestatie niet significant ten opzichte van de standaardtechnieken. Sterker nog, de traditionele benadering leverde de meest stabiele resultaten op bij alle tests, met een gemiddelde nauwkeurigheid van meer dan 91%.

Begrijpen hoe een kunstmatige intelligentie een beslissing neemt, is even belangrijk als de beslissing zelf, vooral in de geneeskunde. Een arts moet weten of de computer naar de tumor kijkt of slechts gokt op basis van een willekeurige schaduw. Om dit aan te pakken, gebruikten de onderzoekers een techniek genaamd Grad-CAM, die fungeert als een spotlight voor de aandacht van de computer. Dit hulpmiddel genereert een heatmap die de specifieke gebieden van de hersenscan markeert die de voorspelling van het model hebben beïnvloed. Bij toepassing op het VGG-16-model toonden deze heatmaps duidelijk aan dat het systeem zich concentreerde op de daadwerkelijke tumorregio's, wat bevestigde dat de kunstmatige intelligentie de juiste anatomische kenmerken leert kennen in plaats van te vertrouwen op misleidende patronen. Deze transparantie is een cruciale stap richting het opbouwen van vertrouwen in deze instrumenten voor klinisch gebruik in de echte wereld.

Ondanks deze veelbelovende resultaten erkennen de onderzoekers dat hun werk grenzen kent. De studie steunde op een enkele, publiekelijk beschikbare dataset, wat betekent dat het vermogen van het model om verschillende soorten scans of apparatuur van andere ziekenhuizen te verwerken, nog niet bewezen is. Bovendien vereist het best presterende model aanzienlijke rekenkracht, wat een hindernis kan zijn voor ziekenhuizen met beperkte middelen. De auteurs stellen voor dat toekomstig werk lichtere, efficiëntere modellen moet verkennen en deze op een groter aantal diverse hersenscans moet testen, inclus�elijk verschillende soorten magnetische resonantie-afbeeldingen. Ze stellen ook voor om deze systemen in de workflow van ziekenhuizen te integreren om artsen in realtime te ondersteunen. Voor nu biedt dit onderzoek een duidelijk stappenplan, dat aantoont dat met de juiste combinatie van datapreparatie en modelselectie, kunstmatige intelligentie een krachtige, betrouwbare partner kan zijn in de strijd tegen hersentumoren.