Aprendizaje profundo optimizado para la detección de tumores cerebrales: un enfoque híbrido con mecanismos de...

Área de la Ciencia:

• Imágenes médicas
• Inteligencia artificial
• Biología computacional

Sus antecedentes:

• La clasificación de tumores cerebrales mediante imágenes de resonancia magnética (IRM) es crucial para la planificación eficaz del tratamiento.
• La precisión de la BTC es un desafío debido a la heterogeneidad del tumor y la necesidad de una interpretación experta.
• Los métodos existentes a menudo requieren extracción y etiquetado de características manuales, que requieren mucho tiempo y son propensos a errores.

Objetivo del estudio:

• Desarrollar y evaluar un modelo híbrido de aprendizaje profundo (DL) para la clasificación automatizada de tumores cerebrales mediante resonancia magnética.
• Para mejorar la precisión, la interpretabilidad y la eficiencia del diagnóstico de tumores cerebrales.
• Comparar el rendimiento del modelo propuesto con los enfoques tradicionales de aprendizaje automático.

Principales métodos:

• Se desarrolló un modelo híbrido de DL que integraba VGG16, un mecanismo de atención y hiperparámetros optimizados.
• El modelo utilizó el preprocesamiento de última generación, el aprendizaje de transferencia y la visualización Gradient-weighted Class Activation Mapping (Grad-CAM).
• Se utilizó un conjunto de datos de 7023 imágenes de resonancia magnética para la capacitación y validación, empleando el aprendizaje de extremo a extremo.

Principales resultados:

• El modelo DL híbrido propuesto logró una precisión de prueba del 99%, superando a los métodos tradicionales como SVM, HOG, LBP y PCA.
• El modelo demostró una alta precisión y recuerdo, lo que indica un rendimiento de clasificación robusto.
• Las visualizaciones Grad-CAM proporcionaron información sobre el proceso de toma de decisiones del modelo, mejorando la transparencia.

Conclusiones:

• El modelo híbrido DL ofrece una solución altamente precisa e interpretable para la clasificación de tumores cerebrales a partir de la resonancia magnética.
• Los mecanismos de aprendizaje y atención de extremo a extremo automatizan la extracción de características, reduciendo la dependencia del etiquetado manual.
• Este enfoque tiene un potencial significativo para avanzar en el análisis de imágenes médicas y la toma de decisiones clínicas en neurooncología.