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

O cérebro humano é um órgão complexo e, quando um tecido anormal começa a crescer dentro dele, as consequências podem ser graves. Os médicos dependem fortemente da ressonância magnética, ou RM, para ver o interior do crânio sem cirurgia. Esses exames produzem imagens detalhadas que revelam a forma e a localização de um tumor. No entanto, ler essas imagens é uma tarefa exigente. O exame de um único paciente pode conter dezenas de fatias, e um radiologista deve examinar cada uma delas para detectar diferenças sutis entre o tecido saudável e vários tipos de câncer. Esse processo leva tempo, e até mesmo os especialistas mais qualificados podem perder um detalhe ou identificar incorretamente um tipo de tumor ao lidar com milhares de imagens. Para ajudar, os cientistas recorreram aos computadores, ensinando-os a reconhecer padrões nessas imagens tal como um olho humano faria. Este campo, conhecido como aprendizado profundo (deep learning), utiliza sistemas artificiais que aprendem por exemplo, em vez de seguir um conjunto fixo de regras. O objetivo é criar uma ferramenta que possa auxiliar os médicos no diagnóstico de tumores cerebrais de forma mais rápida e precisa, potencialmente salvando vidas ao detectar doenças precocemente.

Em um estudo recente, pesquisadores da Universidade de Delhi enfrentaram esse desafio construindo um programa de computador especializado, projetado para classificar exames de RM cerebral em quatro categorias distintas. Eles queriam saber se o seu sistema conseguiria distinguir entre um cérebro saudável e três tipos específicos de tumores: gliomas, meningiomas e tumores de hipófise. Os gliomas são tumores que começam no tecido semelhante à cola que sustenta o cérebro, os meningiomas crescem nas membranas que cobrem o cérebro e os tumores de hipófise formam-se perto da glândula hipófise, na base do crânio. A equipe não utilizou um modelo de computador massivo pré-existente que já tivesse sido treinado em milhões de imagens. Em vez disso, construíram um sistema personalizado e leve do zero. Essa abordagem foi escolhida para manter a tecnologia simples e eficiente, exigindo menos poder de computação e memória do que os modelos pesados e complexos frequentemente usados em outros estudos.

Os pesquisadores começaram reunindo uma grande coleção de imagens cerebrais de um banco de dados público. Eles selecionaram um total de 7.023 imagens, que incluíam 1.621 gliomas, 1.645 meningiomas, 1.757 tumores de hipófise e 2.000 imagens de cérebros saudáveis sem tumores. Essas imagens vinham de diferentes ângulos — algumas olhando de cima para baixo, outras de lado ou de frente — proporcionando ao computador uma visão diversificada da anatomia cerebral. Antes de ensinar o computador, a equipe preparou as imagens redimensionando todas para as mesmas dimensões e ajustando os níveis de brilho para que o computador pudesse processá-las mais facilmente. Em seguida, dividiram os dados, utilizando a maioria das imagens para ensinar o sistema e reservando um grupo menor para testar o quão bem o sistema aprendeu.

O modelo de computador que eles construíram funciona removendo camadas de informação, de forma muito semelhante a observar uma imagem através de uma série de lentes cada vez mais específicas. O sistema contém sete camadas que escaneiam a imagem para encontrar formas e texturas básicas, seguidas por camadas que combinam esses detalhes simples em padrões mais complexos, como os limites de um tumor. Os pesquisadores utilizaram um método matemático específico para ajudar o sistema a aprender rapidamente e evitar estagnar, e incluíram um mecanismo para impedir que o sistema memorizasse as imagens de treinamento de forma perfeita demais, o que o faria falhar em novos dados. Após treinar o modelo durante 25 rodadas, onde ele viu as imagens repetidamente e ajustou suas configurações internas para melhorar seus palpites, os resultados foram impressionantes.

Quando os pesquisadores testaram o modelo nas imagens que ele nunca tinha visto antes, ele identificou corretamente o tipo de condição cerebral em 96,1 por cento dos casos. O sistema foi particularmente bom em detectar cérebros saudáveis e tumores de hipófise, alcançando pontuações quase perfeitas para essas categorias. Também teve um desempenho forte nos tipos mais difíceis, glioma e meningioma, classificando-os corretamente na grande maioria das vezes. O estudo comparou esses resultados com outras tentativas recentes de resolver o mesmo problema, muitas das quais dependiam de arquiteturas de computador muito maiores e mais complexas. Esses modelos anteriores alcançaram taxas de precisão variando entre aproximadamente 89 por cento e 95 por cento. O novo e mais simples modelo superou todos eles, atingindo 96,1 por cento de precisão enquanto utilizava menos recursos.

Os pesquisadores observaram que o sistema ocasionalmente confundia gliomas com meningiomas, o que é compreensível porque esses dois tipos de tumores podem parecer muito semelhantes em um exame de RM. No entanto, o desempenho geral foi robusto o suficiente para sugerir que essa abordagem leve é uma ferramenta viável para uso médico. Os autores enfatizam que, embora o modelo de computador mostre grande potencial, ele ainda não é um substituto para um médico. Os próximos passos envolvem testar o sistema em dados de múltiplos hospitais para garantir que funcione de forma confiável em diferentes tipos de máquinas de RM e populações de pacientes. Se a validação futura confirmar essas descobertas, tal ferramenta poderá tornar-se uma parte padrão do processo de diagnóstico, ajudando as equipes médicas a tomar decisões mais rápidas e confiantes sobre como tratar pacientes com tumores cerebrais.