Clasificación mejorada de tumores cerebrales a través del aprendizaje de transferencia basado en DenseNet121

Área de la Ciencia:

• Imágenes médicas
• Inteligencia artificial
• En el campo de la oncología

Sus antecedentes:

• El diagnóstico precoz y preciso del tumor cerebral es fundamental para un tratamiento eficaz.
• Los métodos actuales de diagnóstico a menudo requieren mucho tiempo y dependen de la interpretación manual.
• Las limitaciones de los métodos existentes requieren soluciones automatizadas avanzadas.

Objetivo del estudio:

• Desarrollar un sistema automatizado para la clasificación de tumores cerebrales utilizando datos de resonancia magnética.
• Aprovechar la arquitectura DenseNet121 con el aprendizaje de transferencia para mejorar la precisión del diagnóstico.
• Para mejorar la velocidad y precisión de la detección y clasificación de tumores cerebrales.

Principales métodos:

• Utilizó la arquitectura DenseNet121 con aprendizaje de transferencia para la detección de tumores cerebrales.
• Entrenó el modelo en un conjunto de datos de resonancia magnética Kaggle.
• Imágenes de resonancia magnética preprocesadas, incluido el redimensionamiento, para minimizar el ruido y mejorar el rendimiento del modelo.
• Los tejidos cerebrales se clasifican en cuatro categorías: tumores benignos, gliomas, meningiomas y tumores malignos de la glándula pituitaria.

Principales resultados:

• Logró una precisión promedio de 96.90% en la clasificación de tumores cerebrales de varias clases.
• Demostró un rendimiento superior en comparación con la interpretación manual y otros modelos de aprendizaje automático.
• El enfoque DenseNet121 ofrece una mayor precisión, un tiempo de análisis reducido y una intervención humana mínima.

Conclusiones:

• El método automatizado propuesto mejora significativamente la precisión y la velocidad del diagnóstico de tumores cerebrales a partir de imágenes de resonancia magnética.
• Este enfoque ofrece una alternativa consistente y predecible a las técnicas de diagnóstico convencionales, reduciendo el impacto del error humano.
• El modelo de aprendizaje profundo desarrollado es prometedor para el avance de la investigación de clasificación basada en la resonancia magnética y las aplicaciones clínicas en neurooncología.