Multi-classification of Brain Tumor MRI images using Convoluted Neural Network (CNN) based approach

De menselijke hersenen zijn een complex orgaan, en wanneer er abnormaal weefsel begint te groeien binnen de hersenen, kunnen de gevolgen ernstig zijn. Artsen vertrouwen zwaar op magnetic resonance imaging, oftewel MRI, om in de schedel te kijken zonder chirurgie. Deze scans produceren gedetailleerde beelden die de vorm en locatie van een tumor onthullen. Het lezen van deze beelden is echter een veeleisende taak. Een scan van een enkele patiënt kan tientallen plakjes bevatten, en een radioloog moet elk exemplaar onderzoeken om subtiele verschillen tussen gezond weefsel en verschillende soorten kanker te ontdekken. Dit proces kost tijd, en zelfs de meest bekwame experts kunnen een detail missen of een tumortype verkeerd identificeren wanneer zij geconfronteerd worden met duizenden afbeeldingen. Om te helpen, hebben wetenschappers zich tot computers gericht, waarbij ze de computers hebben geleerd om patronen in deze plaatjes te herkennen, net zoals een menselijk oog dat zou doen. Dit veld, bekend als deep learning, maakt gebruik van kunstmatige systemen die leren door middel van voorbeelden in plaats van door een vaste set regels te volgen. Het doel is om een hulpmiddel te creëren dat artsen kan helpen bij het sneller en nauwkeuriger diagnosticeren van hersentumoren, wat potentieel levens kan redden door ziekten eerder te ontdekken.

In een recente studie hebben onderzoekers van de Universiteit van Delhi deze uitdaging aangepakt door een gespecialiseerd computerprogramma te bouwen dat ontworpen is om hersen-MRI-scans in vier verschillende categorieën te sorteren. Ze wilden weten of hun systeem het verschil kon zien tussen een gezonde hersen en drie specifieke soorten tumoren: gliomen, meningiomen en hypofysetumoren. Gliomen zijn tumoren die beginnen in het lijmachtige weefsel dat de hersenen ondersteunt, meningiomen groeien op de membranen die de hersenen bedekken, en hypofysetumoren vormen zich nabij de hypofyse aan de basis van de schedel. Het team heeft geen bestaand, massaal computermodel gebruikt dat al getraind was op miljoenen afbeeldingen. In plaats daarvan hebben ze een eigen, lichtgewicht systeem vanaf nul opgebouwd. Deze aanpak werd gekozen om de technologie eenvoudig en efficiënt te houden, waardoor er minder rekenkracht en geheugen nodig is dan de zware, complexe modellen die vaak in andere studies worden gebruikt.

De onderzoekers begonnen met het verzamelen van een grote collectie hersenbeelden uit een publieke database. Ze selecteerden in totaal 7.023 afbeeldingen, die 1.621 gliomen, 1.645 meningiomen, 1.757 hypofysetumoren en 2.000 afbeeldingen van gezonde hersenen zonder tumoren bevatten. Deze beelden kwamen uit verschillende hoeken – sommige van bovenaf bekeken, andere van de zijkant of de voorkant – wat de computer een divers beeld gaf van de menselijke hersenanatomie. Voordat ze de computer gingen trainen, hebben het team de afbeeldingen voorbereid door ze allemaal naar dezelfde afmetingen te verkleinen en de helderheidsniveaus aan te passen, zodat de computer ze gemakkelijker kon verwerken. Vervolgens deelden ze de gegevens, waarbij ze het merendeel van de afbeeldingen gebruikten om het systeem te trainen en een kleinere groep achterhielden om te testen hoe goed het systeem had geleerd.

Het computermodel dat zij bouwden, werkt door lagen informatie af te pellen, vergelijkbaar met het kijken naar een foto door een reeks steeds specifiekere lenzen. Het systeem bevat zeven lagen die de afbeelding scannen om basisvormen en texturen te vinden, gevolgd door lagen die deze eenvoudige details combineren tot complexere patronen, zoals de grenzen van een tumor. De onderzoekers gebruikten een specifieke wiskundige methode om het systeem snel te laten leren en te voorkomen dat het vastliep, en ze voegden een mechanisme toe om te voorkomen dat het systeem de trainingsafbeeldingen te perfect uit het hoofd leert, wat het zou laten falen bij nieuwe gegevens. Na het trainen van het model gedurende 25 rondes, waarbij het de afbeeldingen herhaaldelijk zag en zijn interne instellingen aanpaste om zijn gokken te verbeteren, waren de resultaten opmerkelijk.

Toen de onderzoekers het model testten op de afbeeldingen die het nog nooit eerder had gezien, identificeerde het de soort hersenconditie in 96,1 procent van de gevallen correct. Het systeem was bijzonder goed in het herkennen van gezonde hersenen en hypofysetumoren, waarbij het bijna perfecte scores behaalde voor die categorieën. Het presteerde ook sterk op de moeilijkere typen glioma en meningioom, waarbij het de overgrote meerderheid van de tijd correct classificeerde. De studie vergeleek deze resultaten met andere recente pogingen om hetzelfde probleem op te lossen, waarvan velen vertrouwden op veel grotere en complexere computerarchitecturen. Die eerdere modellen behaalden nauwkeurigheidspercentages variërend van ongeveer 89 procent tot 95 procent. Het nieuwe, eenvoudigere model presteerde hen allemaal het hoofd en bereikte een nauwkeurigheid van 96,1 procent terwijl het minder middelen gebruikte.

De onderzoekers merkten op dat het systeem af en toe gliomen met meningiomen verwarde, wat begrijpelijk is omdat deze twee soorten tumoren op een MRI-scan erg op elkaar kunnen lijken. De algehele prestatie was echter robuust genoeg om te suggereren dat deze lichtgewicht aanpak een bruikbaar hulpmiddel is voor medisch gebruik. De auteurs benadrukken dat, hoewel het computermodel veelbelovend is, het nog geen vervanging is voor een arts. De volgende stappen omvatten het testen van het systeem op gegevens van meerdere ziekenhuizen om te garanderen dat het betrouwbaar werkt bij verschillende soorten MRI-machines en patiëntenpopulaties. Als toekomstige validatie deze bevindingen bevestigt, zou een dergelijk hulpmiddel een standaard onderdeel kunnen worden van het diagnostisch proces, waarbij medische teams helpt om snellere en meer zelfverzekerde beslissingen te nemen over de behandeling van patiënten met hersentumoren.