Verbesserte Detektion und Klassifikation von Hirntumoren mittels MRT durch topologische Datenanalyse und niedrigrangige Tensorzerlegung

Der Aufstieg künstlicher Intelligenz in der medizinischen Bildgebung hat bedeutende Fortschritte bei der Diagnose von Hirntumoren ermöglicht. Diese Studie präsentiert einen neuartigen Ensembles-Ansatz, der magnetresonanze Bildgebung (MRI) nutzt, um häufige Hirntumortypen wie Hypophysentumoren, Meningeome und Gliome zu identifizieren und zu klassifizieren. Der vorgeschlagene Arbeitsablauf basiert auf einem zweifachen Ansatz: Erstens werden komplexere Bildverbesserungstechniken in der Datenvorverarbeitung eingesetzt, die niedrige Rang-Tucker-Zerlegung zur Dimensionsreduktion sowie maschinelle Lernklassifikatoren (ML) zur Erkennung und Vorhersage des Tumortyps. Zweitens wird persistente Homologie (PH), eine Technik der topologischen Datenanalyse (TDA), genutzt, um potenziell kritische Bereiche in den MRI-Aufnahmen zu extrahieren. In Kombination mit den Ausgaben der ML-Klassifikatoren ermöglicht diese zusätzliche Information Fachexperten, interessante Regionen zu identifizieren, die möglicherweise Tumormuster enthalten, wodurch die Interpretierbarkeit der ML-Vorhersagen verbessert wird. Im Vergleich zu rein automatisierten Diagnosen verleiht diese Transparenz ein zusätzliches Maß an Vertrauen und ist für die klinische Akzeptanz entscheidend. Die Leistung des Systems wurde quantitativ an einem bekannten MRI-Datensatz evaluiert und erreichte eine Gesamtklassifikationsgenauigkeit von 97,28 % mit einem extrem zufällig randomisierten Baummodell. Die vielversprechenden Ergebnisse zeigen, dass die Integration von TDA, maschinellem Lernen und niedrigen Rang-Näherungsverfahren ein erfolgversprechender Ansatz für die Identifikation und Klassifizierung von Hirntumoren darstellt und eine solide Grundlage für weitere Forschung und klinische Anwendung bildet.