Predicting Histologic Grade of Meningiomas using Deep Learning in Centralised and Federated Learning Settings

Abstract

Das Meningiom ist der häufigste primäre intrakranielle Tumor. Die Prognose und Behandlung dieser Erkrankung hängen stark vom Schweregrad des Tumors ab, der durch den WHO-Grad definiert ist. Daher ist es von entscheidender Bedeutung, dass die Diagnose im frühestmöglichen Stadium gestellt wird. Deep Learning Modelle haben sich bei ähnlichen Aufgaben als sehr genau erwiesen und können daher zur nichtinvasiven Diagnostik des Schweregrades anhand von MRT-Bildern eingesetzt werden. Das Training dieser Modelle erfordert oft große Datenmengen, so dass es schwierig ist, genügend Proben zu sammeln Proben ohne interinstitutionelle Zusammenarbeit zu sammeln. Federated Learning ist eine neue Methode, die eine solche Zusammenarbeit erleichtert. Ihre Leistung wird jedoch oft durch statistische Heterogenität der Daten in den verschiedenen Einrichtungen beeinträchtigt. Diese Arbeit untersucht die Machbarkeit des Einsatzes von Deep Learning und Federated Learning zur Bestimmung des WHO-Grades von Meningeomen anhand von MRT-Scans. Der Fokus liegt auf dem Vergleich von Modellen, die mir drei verschiedenen Architekturen des Federated Learning trainiert wurden und zentral trainierten Modellen. Es bewertet speziell die negativen Auswirkungen statistisch heterogener Daten über Institutionen hinweg auf Federated Learning und stellt eine neuartige Methode namens Federated Localized Ensemble vor, um diese zu verringern. Die Methode besteht darin, ein Ensemble von Modellen zu erstellen, die von jedem Kunden trainiert wurden, wobei jedes Modell entsprechend seiner Klassifizierungsgenauigkeit gewichtet wird.Die Methoden werden anhand eines Datensatzes evaluiert, der aus 186 MRT-Aufnahmen des Gehirns von Patienten besteht, bei denen ein Meningiom diagnostiziert wurde. Da der Datensatz aus nur einer Einrichtung stammt, wird Federated-Learning-Umgebung durch die Integration spezifischer Bildgebungsmerkmale simuliert.Die Ergebnisse zeigen, dass sowohl Deep-Learning- als auch Federated-Learning-Techniken das Potenzial haben, die nicht-invasive Klassifizierung von Meningeomen zu erleichtern. Sowohl die zentral trainierten als auch die mittels Federated Learning trainierten Modelle erreichten trotz der anspruchsvollen Aufgabe eine hohe Vorhersagegenauigkeit. Dies war auch im Szenario der statistischen Heterogenität der Fall, obwohl die Leistung des Federated Learning geringer war und zwischen den Methoden variierte. Das Federated Localized Ensemble übertraf die bestehenden Methoden nicht.

Meningioma is the most common primary intracranial tumour. The prognosis and treatment of this disease is highly dependent on the severity of the tumour, which is defined by its WHO grade. Thus, it is crucial that it is diagnosed at the earliest possible stage. Deep learning models have been shown to achieve high accuracy in similar tasks and may therefore be used to non-invasively assess this grade from MRI images. Training of these models often requires large amounts of data, making it difficult to collect enough samples without inter-institutional collaboration. Federated learning is an emerging method that facilitates such collaboration. However, its performance is often negatively affected when the data is statistically heterogeneous across institutions.This thesis evaluates the feasibility of using deep learning and federated learning to assess the WHO grade of meningiomas from MRI scans. It focuses on a comparison between models trained using three different federated learning architectures and models trained centrally. It specifically evaluates the negative impact of statistically heterogeneous data across institutions on federated learning, and introduces a novel method termed Federated Localized Ensemble to reduce it. The method involves the creation of an ensemble of the models trained by each client, with each model weighted by its classification accuracy. The methods are evaluated on a dataset consisting of 186 brain MRIs of patients diagnosed with meningioma. As the dataset comes from a single institution, the federated learning environment is simulated by introducing specific imaging characteristics.The results show that both deep learning and federated learning techniques have the potential to facilitate non-invasive grading of meningiomas. Both centrally trained and federated learning trained models achieved predictive accuracy despite the challenging task. This was also the case in the statistical heterogeneity scenario, although the performance of federated learning was lower and varied between the methods. The Federated Localized Ensemble approach did not outperform the existing methods.