Beeldvoorverwerking en gevoeligheid voor optimizers: implicaties voor convolutionele neurale netwerken bij het diagnosticeren van hersentumoren

Summary

Deze studie maakt gebruik van een gecontroleerd kader om preprocessing-pijplijnen en optimizers binnen een vaste architectuur te evalueren, met als doel te bepalen hoe klassieke preprocessing optimizers en Convolutional Neural Networks (CNN's) beïnvloedt bij hersentumorclassificatie.

Abstract

De classificatie van hersentumoren met behulp van magnetische resonantiebeeldvorming (MRI) brengt uitdagingen met zich mee vanwege variaties in tumorgrootte, vorm en textuur. Hoewel traditionele beeldvoorbewerkingsmethoden vaak worden gebruikt om de invoerkwaliteit te verbeteren, is hun impact op het gedrag van optimizers en CNN-prestaties nog niet grondig onderzocht. Dit onderzoek onderzoekt het effect van preprocessing op convergentie, generalisatie en classificatienauwkeurigheid bij verschillende optimizers. We gebruiken een publiek beschikbare Kaggle-dataset om twee preprocessing-pijplijnen te creëren: een basislijnpijplijn die alleen afbeeldingen van grootte aanpast en een traditionele pijplijn die afbeeldingen naar grijstinten omzet, vervagt en morfologische filtering toepast. Vervolgens testen we hoe deze pijplijnen drie optimizers beïnvloeden: Adam, Root Mean Square Propagation (RMSProp) en Stochastic Gradient Descent (SGD). Om protocolvariabelen te scheiden, wordt overal een vaste CNN-architectuur gebruikt. De prestaties worden beoordeeld met behulp van nauwkeurigheid, precisie, herinnering en F1-score, gevalideerd via vijfvoudige kruisvalidatie. De resultaten tonen aan dat basisvoorverwerking consequent hogere nauwkeurigheid en stabielere convergentie oplevert tussen alle optimizers, waarbij RMSProp en SGD de hoogste gemiddelde nauwkeurigheid van 99,53% behalen onder vijfvoudige kruisvalidatie. De bevindingen behandelen het onderbelichte effect van preprocessing op de prestaties van optimizers, waarbij de noodzaak wordt benadrukt van preprocessing-bewuste trainingsstrategieën om robuustheid en interpreteerbaarheid in medische beeldanalyse te verbeteren.

Introduction

Hersentumorclassificatie met behulp van magnetische resonantiebeeldvorming (MRI) is een cruciale taak in de neuro-oncologie, waarbij vroege en nauwkeurige diagnose direct invloed heeft op de behandelplanning en de uitkomsten van de patiënt¹. CNN's zijn de dominante methode geworden om dit proces te automatiseren vanwege hun vermogen om hiërarchische ruimtelijke en textuurkenmerken direct uit ruwe beeldgegevens^te leren. De kwaliteit van de invoergegevens blijft echter een belangrijke bepalende factor voor modelprestaties. Klassieke voorverwerkingstechnieken – zoals grijswaardenconversie, Gaussische vervaging, drempelwerking en morfologische bewerkingen – worden routinematig toegepast om ruis te verminderen en structurele grenzen^te benadrukken ^3,4,5. Gangadharan et al. voerden een vergelijkende analyse uit van deep learning-modellen voor hersentumorvoorspelling, waarbij de variabiliteit in prestaties tussen architecturen en het belang van datasetkenmerken bij het vormgeven van uitkomsten^{werd benadrukt 6}. Qureshi et al. stelden een ultralichtgewicht CNN voor voor multi-klasse tumordetectie, met nadruk op computationele efficiëntie en realtime toepasbaarheid zonder concessies te doen aan de diagnostische nauwkeurigheid⁷. Qureshi et al. onderzocht radiogenomische classificatie verder dan structurele beeldvorming, waarbij ze gebruik maakten van gefuseerde multi-omics-kenmerken uit multiparametrische MRI-scans om methylguanine-DNA methyltransferase (MGMT) promotor methyl-methyltransferase (MGMT) methyl-methyltransferase te voorspellen, waarmee het potentieel van geïntegreerde datamodaliteiten voor niet-invasieve tumorprofilering^{werd aangetoond 8}. Ondanks hun alomtegenwoordigheid blijft de gevolgen van deze transformaties op de dynamiek van CNN-training, het gedrag van optimizers en interpreteerbaarheid nog onderbelicht.

Recente ontwikkelingen in hersentumorclassificatie richten zich op architecturale complexiteit, segmentatie-classificatiehybriden en transfer learning. MultiFeNet bijvoorbeeld maakt gebruik van multi-scale feature fusion om ruimtelijke representatie⁹ te verbeteren, terwijl ensemblemodellen en 3D-CNN's hoge nauwkeurigheid bieden ten koste van een verhoogde rekenkracht^10,11. Recente studies naar hybride methoden, zoals wavelettransformatie met Support Vector Machine (SVM) en cellulaire automaten-gebaseerde randdetectie, vereisen doorgaans handgemaakte functies of meerstapsverwerking^12,13. Vergelijkend onderzoek naar onevenwichtige datasets heeft de uitdagingen bij het bereiken van klassegebonden generalisatie¹⁴ benadrukt. Transfer learning-benaderingen met behulp van voorgetrainde netwerken, zoals VGG en ResNet, hebben veelbelovend aangetoond in MRI-classificatie 15,16,17; echter, ze behandelen preprocessing vaak als een vaste upstream stap. Deze modellen isoleren zelden hoe inputtransformaties de convergentie van de optimizer of semantische retentie beïnvloeden.

Preprocessing-bewuste studies beginnen deze kloof aan het licht te brengen. Ivanescu et al. toonden aan dat overmatig filteren de gevoeligheid van CNN voor subtiele^{tumorpatronen} kan verminderen. Vu et al. toonden aan dat grijstintenconversie en grootteverandering contextuele informatie kunnen weggooien, waardoor de diagnostische nauwkeurigheid wordt beïnvloed⁴. Hooper et al. toonden aan dat upstream Computed Tomography (CT)-filtering prestatievariabiliteit induceert, wat de kwetsbaarheid van CNN's voor domeinverschuivingen⁵ benadrukt. Kundu et al. stelden Gauss-gebaseerde intensiteitstransformaties voor om segmentatie te verbeteren¹⁸; echter, ze evalueerden de gevoeligheid van de optimizer niet. Ondertussen optimaliseerden Asiri et al. en Aamir et al. CNN-hyperparameters voor hersentumordetectie^16,17, waarbij Adams superieure prestaties werden opgemerkt zonder te analyseren hoe het reageert op preprocessing-veranderingen. Verklaringstools zoals Gradient-weighted Class Activation Mapping (Grad-CAM) en SHapley Additive exPlanations (SHAP) hebben ons begrip van CNN-besluitvorming vergroot door klasse-discriminatiegebieden te visualiseren^19,20. Deze methoden zijn essentieel om te valideren of preprocessing semantische retentie verbetert of vervormt.

Weinig studies hebben echter systematisch onderzocht hoe preprocessing de convergentie, generalisatie en interpreteerbaarheid van optimizers onder een vaste architectuur beïnvloedt – zaken die zowel klinisch als computationeel significant zijn. Klinisch gezien kunnen overmatige gladstrijk- of intensiteitstransformaties diagnostisch relevante textuur- en ruimtelijke gradiënten verminderen, waardoor de lokalisatienauwkeurigheid en het vertrouwen van de clinici afnemen. Computationeel reageren optimizers verschillend op veranderingen in feature-schaal en gradiëntvariatie; Mismatches tussen inputcomplexiteit en optimizer-dynamiek kunnen leiden tot onstabiele convergentie of slechtere generalisatie.

Om dit aan te pakken, introduceren we een dual-path framework dat systematisch baseline (alleen resize) en traditionele preprocessing pipelines vergelijkt over drie optimizers – Adam, RMSProp en SGD – met een consistente CNN-architectuur en de BR35H Kaggle-dataset²¹. We evalueren classificatieprestaties, convergentiesnelheid en interpreteerbaarheid met behulp van Grad-CAM, gevalideerd via vijfvoudige kruisvalidatie. In tegenstelling tot eerdere werken die architecturale en preprocessingwijzigingen met elkaar verwarren, isoleert dit protocol preprocessing als een onafhankelijke variabele, wat aantoont dat agressief filteren de prestaties van de optimizer en ruimtelijke aandacht kan belemmeren.

Het hier gepresenteerde kader biedt verschillende voordelen ten opzichte van bestaande modellen. Ten eerste evalueert het expliciet de interacties tussen preprocessingstrategieën en optimizers, een dimensie die vaak over het hoofd wordt gezien in ensemble- en transfer learning-studies 15,16,17. Ten tweede behoudt het een vaste CNN-architectuur, waardoor realistische implementatiebeperkingen worden gesimuleerd waar herconfiguratie doorgaans^{onpraktisch is}. Ten derde integreert het visuele attributiemethoden om semantische retentie te beoordelen, als aanvulling op eerder werk over radiomische en handgemaakte featurestudies²³. Ten slotte biedt het kader reproduceerbare inzichten in preprocessing-bewuste trainingsstrategieën, waardoor zowel robuustheid als interpreteerbaarheid worden verbeterd.

Door inzichten te synthetiseren uit preprocessingmethoden ^3,4,5, optimizerstudies ^16,17 en uitlegbaarheidstools^19,20, presenteert dit werk een praktische en interpreteerbare pijplijn voor hersentumorclassificatie die nauwkeurigheid, stabiliteit en klinische relevantie in balans brengt.

Protocol

Figuur 1 toont een overzicht van de protocolworkflow. Deze studie onderzoekt het effect van klassieke beeldpreprocessing op de prestaties van CNN's en het gedrag van optimizers bij hersentumorclassificatie met behulp van MRI. Het protocol omvat datasetvoorbereiding, dual-path preprocessing pipelines, modelarchitectuur, configuratie van optimizers, prestatie-evaluatie en interpreteerbaarheidsvalidatie. Alle experimenten werden uitgevoerd in Python 3.10.12 met Keras versie 2.13.1 met TensorFlow backend, OpenCV versie 4.8.0 en Matplotlib versie 3.8.0.

Datasetvoorbereiding
De BR35H hersentumor MRI-dataset van Kaggle²¹, bestaande uit 3.000 beelden gelijk verdeeld in tumor-aanwezige ("ja") en tumor-afwezige ("nee") klassen, werd in deze studie gebruikt. Alle afbeeldingen werden verkleind tot 128 × 128 pixels met behulp van OpenCV's cv2.resize-functie om invoerafmetingen tussen experimenten te standaardiseren. Gestratificeerde steekproef met Scikit-learn's train_test_split zorgde voor een evenwichtige representatie over de trainingsset (80%) en validatieset (20%), waardoor consistentie in de klassenverdeling over elke vouw werd behouden.

Naast de BR35H publieke dataset valideerden we dit protocol met behulp van een onafhankelijke dataset verzameld uit de Ultralytics Brain Tumor Dataset (https://docs.ultralytics.com/datasets/detect/brain-tumor/). Deze dataset bestaat uit een geldige trainingsset van 878 afbeeldingen en een testset van 223 afbeeldingen, met twee duidelijk gedefinieerde klassen: Negatief (beelden zonder hersentumoren) en Positief (beelden met hersentumoren). De opname van deze onafhankelijke dataset stelde ons in staat om de generaliseerbaarheid en robuustheid van het kader verder te beoordelen dan de oorspronkelijke brongegevens.

Preprocessing-pijplijnen
Er werden twee verschillende preprocessing-pijplijnen geïmplementeerd om de impact van klassieke beeldpreprocessing te evalueren. De Baseline Preprocessing (BP) pijplijn heeft eenvoudigweg afbeeldingen verkleind naar 128 × 128 pixels zonder verdere transformaties, waardoor de ruwe pixelintensiteit en structurele kenmerken als controlevoorwaarde behouden bleven. De Traditional Preprocessing (TP) pijplijn paste een reeks klassieke beeldverwerkingsstappen toe met behulp van OpenCV-functies: grijswaardenconversie (cv2.cvtColor) om de kanaaldimensionaliteit te verminderen, Gaussiaanse vervaging (cv2. GaussianBlur) om ruis te onderdrukken en contrast²⁴ te verhogen, drempelen (cv2.threshold) om hoogintensiteitsstructuren²⁵ te segmenteren, morfologische bewerkingen (cv2.erode, cv2.dilate) om randen te verfijnen en artefacten te verminderen26, en contourdetectie (cv2.findContours) om interessegebieden te identificeren. Deze pijplijn verbeterde het contrast en verminderde visuele rommel, hoewel het het risico liep diagnostisch relevante textuur te onderdrukken.

Modelarchitectuur
Er werd een aangepaste CNN geïmplementeerd en constant gehouden in alle experimenten om de effecten van preprocessing en keuze van optimizers te isoleren. De architectuur bestond uit een invoerlaag (128 × 128 × 1), drie convolutionele lagen (de eerste met 32 filters en de volgende twee met 64 filters, allemaal met 2 × 2 kernels en Rectified Linear Unit (ReLU) activatie), elk gevolgd door maximaal 2 × 2 pooling. De uitgang werd afgevlakt en door een dichte laag van 128 eenheden geleid met ReLU-activatie, gevolgd door een dropoutlaag (snelheid = 0,5), en tenslotte een enkele sigmoid-eenheid voor binaire classificatie. Dit ontwerp vindt een balans tussen interpreteerbaarheid en rekenkundige efficiëntie, waardoor het geschikt is voor klinisch hardware met beperkte middelen.

Optimizerconfiguratie
Drie optimizers werden geëvalueerd met vaste hyperparameters: Adam (leersnelheid = 0,001, β₁ = 0,9, β₂ = 0,999, epsilon = 1e−07), RMSProp (leersnelheid = 0,001, rho = 0,9, epsilon = 1e−07) en SGD (leersnelheid = 0,005, momentum = 0,9, Nesterov uitgeschakeld). Trainingsparameters werden constant gehouden over experimenten heen, met een batchgrootte van 32, 50 epochs en vroegtijdig stoppen (geduld = 10) geïmplementeerd via Keras-callbacks om overfitting te voorkomen.

Prestatie-evaluatie
De prestaties werden beoordeeld met nauwkeurigheid, precisie, herinnering en F1-score, berekend met de classification_report van Scikit-learn. Trainings- en validatieverliescurves werden met Matplotlib uitgezet om convergentiesnelheid te evalueren en overfitting te detecteren. De resultaten werden getabelleerd en gevisualiseerd om de gevoeligheid van de optimizer onder verschillende preprocessingvoorwaarden te vergelijken.

Validatie van interpreteerbaarheid
De interpreteerbaarheid werd gevalideerd met behulp van Grad-CAM-visualisaties die werden gegenereerd vanuit de laatste convolutionele laag. Heatmaps werden gegenereerd met behulp van Keras- en TensorFlow-functies en vervolgens over de originele MRI-beelden gelegd met Matplotlib. Deze stap zorgde ervoor dat de ruimtelijke aandacht van het CNN overeenkwam met klinisch relevante tumorregio's, waardoor transparantie en diagnostisch vertrouwen werden ondersteund.

Results

Adam optimizer - Basisvoorverwerking:
Figuur 2 illustreert de prestaties van een hersentumorclassificatiemodel met behulp van de Adam-optimizer met baseline preprocessing. De verwarringsmatrix toont een bijna perfecte scheiding tussen tumoreuze en niet-tumoreuze gevallen, met slechts 8 verkeerde classificaties van de 600 monsters. Het bijbehorende classificatierapport bevestigt dit met precisie, terugroeping en F1-scores, allemaal op of ...

Discussion

Het succes van CNN-gebaseerde hersentumorclassificatie in deze studie werd voornamelijk gedreven door twee protocolcomponenten: preprocessing-ontwerp en optimalisatieselectie. Baseline preprocessing – uitsluitend bestaande uit het verkleinen van het beeld – behield de native pixelintensiteit en ruimtelijke structuur, waardoor het model klinisch relevante kenmerken kan leren. Daarentegen introduceerden traditionele preprocessingmethoden (zoals grijstintenconversie, Gaussische waasheid, dr...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
API Wrapper	Keras	2.13.1(RRID:SCR_016345)	High-level API voor CNN-architectuur en training
Attribution Tool	Grad-CAM-implementatie	Aangepast (via Keras)	Visuele uitleg van CNN-aandacht
BR35H Brain Tumor MRI-dataset	Kaggle	https://www.kaggle.com/ahmedhamada0/brain-tumor-detection	Bron van gelabelde MRI-afbeeldingen voor classificatie
Brain Tumor-dataset	Ultralytics	https://docs.ultralytics.com/datasets/detect/brain-tumor/
Deep Learning-bibliotheek	TensorFlow	2.15.0 (RRID:SCR_018345)	Backend voor CNN-modelimplementatie
Beeldverwerking	OpenCV	4.8.0 (RRID:SCR_015526)	Voorbereiding: grijswaarden, vervagen, drempel, morfologie
Programmeertaal	Python	3.10.12 (RRID:SCR_008394)	Uitvoeringsomgeving voor alle experimenten
Visualisatie	Matplotlib	3.8.0 (RRID:SCR_008624)	Plotten van verliescurven en Grad-CAM-overlays