Feature Fusion Based Deep Learning Framework for Brain Tumor Classification

Het menselijk brein is een complex orgaan, en wanneer er abnormale weefselgroei, bekend als tumoren, in het brein verschijnt, zijn de belangen voor de diagnose ongelooflijk hoog. Deze weefsels kunnen onschadelijk of levensbedreigend zijn, en de locatie, grootte en specifieke soort bepalen hoe artsen ze moeten behandelen. Decennialang is magnetische resonantie-imaging, of MRI, de gouden standaard geweest om in de schedel te kijken, wat gedetailleerde beelden van zacht weefsel biedt zonder gebruik te maken van straling. Toch is het lezen van deze beelden een moeilijke taak. Er zijn meer dan honderd verschillende soorten hersentumoren, en zelfs ervaren radiologen kunnen moeite hebben met het onderscheiden van elkaar, vooral wanneer de visuele verschillen subtiel zijn. Een gemiste of vertraagde diagnose kan de uitkomst voor een patiënt veranderen, wat een dringende behoefte creëert aan hulpmiddelen die artsen kunnen helpen bij het maken van snellere, nauwkeurigere beslissingen.

In de afgelopen jaren is een tak van kunstmatige intelligentie genaamd deep learning opgekomen als een krachtige bondgenoot in deze strijd. Deze computersystemen zijn ontworpen om te leren van enorme hoeveelheden gegevens, net zoals een student die duizenden voorbeelden bestudeert om patronen te herkennen. In de context van medische beeldvorming kunnen deze systemen MRI-scans analyseren om tumoren te identificeren. Echter, een enkel computermodel vertrouwt vaak op één specifieke manier van naar een afbeelding kijken, wat de mogelijkheid kan beperken om het volledige plaatje te zien. Om dit te overwinnen, verkennen onderzoekers nu manieren om de sterke punten van meerdere modellen te combineren, waardoor een systeem ontstaat dat niet alleen nauwkeuriger is, maar ook in staat is om zijn redenering uit te leggen aan menselijke artsen. Deze transparantie is cruciaal, aangezien medische professionals moeten vertrouwen op de logica achter een diagnose voordat ze deze in een klinische setting kunnen gebruiken.

Een team van onderzoekers aan de National University of Sciences and Technology in Pakistan heeft een nieuw raamwerk ontwikkeld dat deze uitdagingen rechtstreeks aanpakt. Hun werk richt zich op een zevenklasse classificatieprobleem, wat betekent dat het systeem moet onderscheiden tussen zes verschillende soorten hersentumoren en één categorie gezond hersenweefsel. De tumoren die zij bestudeerden zijn onder meer glioma, meningioom, hypofystuimor, astrocytoom, ependymoom en Schwannoom. Om hun systeem te bouwen, vertrouwden de onderzoekers niet op één enkel kunstmatige intelligentiemodel. In plaats daarvan begonnen ze met zes verschillende, bestaande deep learning-architecturen, die elk getraind waren op miljoenen algemene afbeeldingen en vervolgens werden verfijnd om hersentumoren te herkennen. Deze zes modellen, waaronder bekende ontwerpen zoals Xception, VGG16 en InceptionV3, werden afzonderlijk getraind op een dataset van 11.288 MRI-scans.

De kerninnovatie van dit onderzoek ligt in de manier waarop deze afzonderlijke modellen bij elkaar werden gebracht. In plaats van elk model te laten stemmen op een diagnose en de meerderheidsmening te nemen, voegden de onderzoekers de werkelijke interne gegevens samen die de modellen gebruikten om hun beslissingen te nemen. Stel je elk model voor als een expert die naar een tumor kijkt door een andere lens; de een is misschien uitstekend in het spotten van fijne texturen, terwijl een ander beter is in het zien van de algehele vorm. De onderzoekers namen de gedetailleerde beschrijvingen van de tumor die elk model had gemaakt en combineerden deze tot één enkele, rijkere beschrijving. Ze testten elke mogelijke koppeling van deze zes modellen, wat resulteerde in vijftien verschillende hybride combinaties. Deze systematische aanpak stelde hen in staat om precies te zien welke koppelingen het beste werkten, waarbij ze verder gingen dan gokwerk om het optimale team van experts te vinden.

De resultaten van deze uitgebreide tests waren duidelijk. De combinatie van de InceptionV3- en VGG16-modellen bleek het meest effectief. Wanneer dit hybride systeem werd getest op een aparte groep afbeeldingen die het nog nooit eerder had gezien, behaalde het een nauwkeurigheid van 97,87 procent. Het identificeerde het specifieke type tumor in bijna elk geval correct, met zeer weinig fouten. Deze prestatie was aanzienlijk beter dan die van de individuele modellen die alleen werkten. De onderzoekers ontdekten dat door de unieke sterke punten van deze twee architecturen te versmelten, het systeem een breder scala aan details kon vastleggen, waardoor het in staat was om onderscheid te maken tussen tumoren die voor het menselijk oog erg op elkaar lijken. De studie merkte echter op dat, hoewel het systeem over het algemeen goed presteerde, het een iets lagere recall vertoonde voor astrocytoom vergeleken met andere categorieën, wat wijst op een hogere variabiliteit binnen dat specifieke tumortype en sterkere visuele gelijkenissen met andere glioma-gerelateerde tumoren.

Nauwkeurigheid alleen is echter niet genoeg om een hulpmiddel nuttig te maken in een ziekenhuis. Artsen moeten weten waarom een computer een specifieke beslissing heeft genomen. Om dit aan te pakken, rustten de onderzoekers hun best presterende systeem uit met twee verschillende methoden om zijn denkproces te visualiseren. De eerste methode creëert een heatmap, die de specifieke gebieden van de MRI-scan markeert waar de computer zich op concentreerde bij het nemen van zijn beslissing. De tweede methode werkt door delen van de afbeelding tijdelijk af te dekken om te zien of het vertrouwen van de computer daalt, wat bevestigt dat die verborgen delen inderdaad belangrijk waren. Wanneer de onderzoekers deze technieken toepasten, merkten zij dat het systeem consistent focuste op de werkelijke tumorregio's en het gezonde hersenweefsel eromheen negeerde. Dit visuele bewijs helpt de kloof te overbruggen tussen een black-box algoritme en een vertrouwde medische assistent, door artsen precies te laten zien wat de machine ziet.

Om te verzekeren dat dit succes niet slechts een toevalstreffer was van de specifieke data die zij gebruikten, testte het team hun beste model op een volledig andere set afbeeldingen van een andere bron. Deze externe test omvatte 234 MRI-scans die vijf verschillende tumortypes en een niet-tumor klasse vertegenwoordigden. Het systeem behield een hoog prestatieniveau en classificeerde de overgrote meerderheid van deze nieuwe gevallen correct. Deze stap is essentieel omdat het aantoont dat het systeem zijn kennis kan generaliseren naar nieuwe patiënten en verschillende beeldvormingsomstandigheden, in plaats van alleen de trainingsdata te memoriseren. De onderzoekers merkten op dat hoewel het systeem uitzonderlijk goed presteerde, het niet perfect is; bijvoorbeeld vertoonde het iets meer moeite met één specifiek tumortype, wat suggereert dat er nog steeds ruimte is voor verbetering.

De studie concludeert dat het combineren van meerdere deep learning-modellen via feature fusion een robuustere en nauwkeurigere diagnostische tool creëert dan het gebruik van een enkel model. Door vijftien verschillende koppelingen systematisch te testen, identificeerden de onderzoekers een specifieke combinatie die alle anderen overtrof. Bovendien, door visuele verklarende tools te integreren, maakten zij de beslissingen van het systeem transparant en begrijpelijk. Hoewel het raamwerk veelbelovend is, erkennen de auteurs dat toekomstig werk de noodzaak zal hebben om het systeem op nog grotere en diversere datasets van verschillende ziekenhuizen te testen om de betrouwbaarheid volledig te bevestigen. Voor nu biedt dit onderzoek een belangrijke stap voorwaarts, die een duidelijk pad biedt naar kunstmatige intelligentiesystemen die artsen kunnen ondersteunen bij het diagnosticeren van hersentumoren met grotere snelheid, nauwkeurigheid en vertrouwen.