Multi-class classificatie van hersentumoren met een ResNet101-backbone geïntegreerd met een multi-schaal deformeerbaar aandachtsmodule en geavanceerde data-augmentaties

Waarom het sorteren van hersenscans ertoe doet

Wanneer artsen hersenscans bekijken om te controleren op tumoren, moeten ze niet alleen vaststellen of er een tumor aanwezig is, maar ook om welk type het gaat. Verschillende tumortypes vragen om verschillende behandelingen, maar op Magnetic Resonance Imaging (MRI) kunnen ze opvallend op elkaar lijken. Deze studie onderzoekt een nieuwe aanpak met kunstmatige intelligentie die veel soorten hersentumoren uit MRI-scans met zeer hoge nauwkeurigheid kan sorteren, en zo mogelijk radiologen sneller en consistenter ondersteunt bij levensbepalende beslissingen.

Computers leren hersenscans lezen

De onderzoekers richten zich op multi-class classificatie, wat betekent dat ze veel tumorklassen tegelijk onderscheiden in plaats van alleen tumor versus geen tumor. Ze gebruiken een deep learning-model gebouwd op ResNet101, een veelgebruikt beeldherkenningsnetwerk dat al algemene visuele patronen heeft geleerd uit grote verzamelingen natuurlijke beelden. Het team past dit netwerk aan voor hersen-MRI en past het toe op een openbare dataset die 15 klassen bevat, van normaal hersenweefsel tot specifieke tumoren zoals glioblastoom, meningeoom en medulloblastoom. Het aanpakken van zoveel categorieën brengt de taak veel dichter bij wat radiologen in echte klinieken tegenkomen.

Reinigen en balanceren van real-world data

Collecties medische beelden bevatten vaak verborgen valkuilen, zoals dubbele scans van dezelfde patiënt of grote verschillen in hoe vaak elk tumortype voorkomt. Om misleidende resultaten te voorkomen, scannen de auteurs eerst de volledige dataset, berekenen ze een digitale vingerafdruk voor elke afbeelding en verwijderen ze exacte duplicaten. Vervolgens groeperen ze afbeeldingen per patiënt-ID en splitsen ze patiënten — niet afbeeldingen — in trainings-, validatie- en testsets, zodat de scans van dezelfde persoon nooit in meer dan één subset voorkomen. Deze patiënt-gewijze splitsing helpt ervoor te zorgen dat gerapporteerde nauwkeurigheid de prestaties op werkelijk ongeziene individuen weerspiegelt in plaats van herhaalde beelden van hetzelfde brein. Het team gebruikt ook een reeks beeldtransformaties en een techniek genaamd MixUp om zeldzame tumortypen beter te vertegenwoordigen tijdens training en om het model te helpen omgaan met variaties in oriëntatie, helderheid en ruis.

Nadrukkelijker kijken met flexibele aandacht

Een belangrijke innovatie in de studie is een module die de auteurs een multi-schaal deformeerbaar aandachtsmodule noemen. In eenvoudige woorden onderzoekt het model de MRI op verschillende detailniveaus, van grove structuren van het hele brein tot fijnere texturen nabij de tumor. In plaats van elke locatie op een star, rasterachtige manier te scannen, leert de deformeerbare aandacht licht te verschuiven waar ze “kijkt” zodat ze zich kan richten op informatieve regio's. Vervolgens past het twee complementaire vormen van aandacht toe: één die belangrijke plekken in de afbeelding benadrukt en een andere die de meest bruikbare feature-kanalen binnen het netwerk versterkt. Deze combinatie stelt het systeem in staat subtiele vorm- en textuurverschillen beter vast te leggen die het ene tumortype van het andere onderscheiden.

Prestaties en vertrouwen op de proef gesteld

Na vele trainingscycli behaalt het model een validatienauwkeurigheid van ongeveer 97 procent en een testnauwkeurigheid van boven de 99 procent over alle 15 klassen. De meeste tumortypes worden perfect geclassificeerd in de gehouden-out testset, met slechts een handvol fouten in tumorcategorieën die zowel zeldzaam als visueel vergelijkbaar zijn. De onderzoekers vergelijken hun resultaten met een eerdere methode die ook deformeerbare aandacht gebruikt en laten zien dat hun aanpak deze in bijna alle evaluatiematen evenaart of overtreft, ondanks de complexe klassenmix. Ze onderwerpen het systeem verder aan stresstesten door ruis toe te voegen en de beeldresolutie te verlagen, waarbij ze constateren dat de nauwkeurigheid hoog blijft zelfs wanneer de scankwaliteit verslechtert — wat belangrijk is voor omstandigheden in echte ziekenhuizen.

Zien wat het model ziet

Om clinici vertrouwen te geven in het systeem, gebruiken de auteurs visualisatietools die onthullen waar het netwerk zich op concentreert wanneer het een beslissing neemt. Heatmaps geproduceerd door Grad-CAM benadrukken gebieden op de MRI die de voorspelling het meest beïnvloedden, en SHAP-gebaseerde analyses tonen welke aangeleerde features het model naar de ene of andere diagnose duwen. Deze visuele verklaringen wijzen consequent op tumorregio's en hun grenzen in plaats van op irrelevante achtergrond, wat suggereert dat de redenering van het model overeenkomt met radiologische intuïtie. Hoewel de studie benadrukt dat verdere externe tests nodig zijn, laat ze zien dat een zorgvuldig ontworpen deep learning-pijplijn niet alleen veel hersentumortypes met hoge betrouwbaarheid kan classificeren, maar ook interpreteerbare aanwijzingen kan bieden over hoe die beslissingen tot stand komen.

Wat dit voor patiënten kan betekenen

In de dagelijkse klinische praktijk zou een dergelijk systeem radiologen niet vervangen, maar fungeren als een tweede lezer die snel waarschuwt voor waarschijnlijke tumortypes en de aandacht vestigt op verdachte regio's op de scan. Door een breed scala aan tumoren te verwerken en stabiel te blijven bij ruisachtige of lagere kwaliteit beelden, laat het in dit artikel beschreven raamwerk zien hoe AI kan bijdragen aan consistentere en snellere diagnoses. Met aanvullende validatie over ziekenhuizen en scanners heen, zouden dergelijke hulpmiddelen deel kunnen uitmaken van routinematige workflows, zodat specialisten zich kunnen richten op behandelplanning terwijl computers veel van het repetitieve beeldsorteren afhandelen.

Bronvermelding: Reddy, B.S., Jha, R.R., Dasore, A. et al. Multi-class classification of brain tumor using a ResNet101 backbone integrated with multi-scale deformable attention module and advanced data augmentations. Sci Rep 16, 15938 (2026). https://doi.org/10.1038/s41598-026-45675-y

Trefwoorden: hersen tumor MRI, deep learning, medische beeldvorming AI, tumorclassificatie, aandachtsnetwerken