Klasifikasi Tumor Otak dari Citra MRI

Kenapa ini sulit

Radiolog membaca MRI di bawah tekanan waktu, dan pada kontras rendah glioma, meningioma, serta tumor pituitari bisa tampak mirip. Dataset publik umumnya kecil, pelabelannya tidak konsisten, dan diambil dari scanner berbeda, sehingga model yang skornya bagus di notebook sering ambruk pada citra baru. Targetnya classifier empat kelas yang bisa generalisasi.

Cara kerjanya

Tiga sumber MRI publik diaudit lalu digabungkan lebih dulu. Noise label di satu sumber saja akan membatasi akurasi, seberapa pun bagus arsitekturnya. Tahap pembersihan membuang duplikat, near-duplicate, dan slice salah label, menyisakan 4.735 citra di empat kelas: glioma, meningioma, pituitari, dan tanpa tumor.

Ketidakseimbangan kelas ditangani dengan weighted sampling, bukan oversampling naif yang pada eksperimen sebelumnya menghasilkan model rapuh. Setelah itu, ablasi CLAHE atas rentang clip limit dan ukuran tile, karena normalisasi kontras menggeser angka lebih jauh daripada kedalaman CNN.

Pelatihan berjalan tiga tahap:

• Tahap 1 melatih autoencoder saja untuk rekonstruksi, sehingga encoder belajar tekstur dan bukan label.
• Tahap 2 membekukan encoder dan hanya melatih head klasifikasi.
• Tahap 3 membuka seluruh bobot dan fine-tune dengan learning rate rendah serta cosine decay.

Autoencoder memampatkan tiap slice menjadi vektor laten yang sudah terdenoise, lalu CNN mengklasifikasi dari ruang laten itu. Rekonstruksi memaksa encoder membuang noise scanner dan mempertahankan anatomi, sehingga classifier tidak perlu belajar mengabaikannya. CLAHE berjalan per kanal sebelum encoding, dropout 0,4 sebelum dense head, label smoothing 0,1. Test-time augmentation atas lima flip menambah sekitar satu poin macro F1.

Hasil, termasuk yang lemah

Akurasi uji internal 89,31 persen dengan macro F1 0,8859. Macro F1 lebih penting di sini karena keempat kelas tidak seimbang.

Angka yang layak dibaca adalah angka eksternal: 71,25 persen pada BraTS 2020, data yang belum pernah dilihat model. Selisih itu wajar. BraTS memakai scanner, preprocessing, dan konvensi sub-region tumor yang berbeda. Model yang hanya melaporkan angka internal tidak memberi tahu apakah ia belajar anatomi atau menghafal dataset.

Catatan

Disiplin preprocessing mengalahkan pencarian arsitektur. Ablasi CLAHE menggeser akurasi lebih jauh daripada mengganti kedalaman CNN, dan pembersihan dataset menggeser lebih jauh dari keduanya. Set 4.735 citra yang diaudit mengalahkan set 9.000 citra berisik pada setiap metrik yang diukur.

Satu kebiasaan pelaporan lahir dari sini: sebut angka eksternal lebih dulu saat audiensnya teknis. Angka internal adalah yang ingin dipercaya. Angka eksternal adalah yang benar.