Segmentación y clasificación eficientes de múltiples tumores cerebrales basadas en la visión por computadora mediante...

Área de la Ciencia:

• Imágenes médicas
• Inteligencia artificial
• Neuro-oncología

Sus antecedentes:

• Los tumores cerebrales representan un desafío de diagnóstico significativo.
• La clasificación precisa de los tipos de tumor es crucial para la planificación efectiva del tratamiento.
• Las tomografías computarizadas (TC) son una modalidad de imagen primaria para la detección de tumores cerebrales.

Objetivo del estudio:

• Evaluar la eficacia de las técnicas de visión computarizada (CV) para clasificar seis tipos de tumores cerebrales (benignos y malignos) mediante tomografías computarizadas.
• Desarrollar y validar un marco sólido para la clasificación automatizada de tumores cerebrales.
• Comparar el rendimiento de varios clasificadores de CV para esta tarea.

Principales métodos:

• Se preprocesó un conjunto de datos de 900 tomografías computarizadas, incluida la reducción del ruido y la extracción de la región de interés (ROI) utilizando la segmentación de medios difusos basados en umbrales binarios automatizados (ABTFCS).
• Se extrajeron 135 características estadísticas múltiples de cada ROI, y se seleccionó un conjunto optimizado de 12 características utilizando la selección de características basada en la correlación.
• Se evaluaron cinco clasificadores de CV (MLP, BayesNet, PART, árbol aleatorio, clasificador filtrado aleatorizado) utilizando una validación cruzada de 10 veces.

Principales resultados:

• La tubería de preprocesamiento y extracción de características generó un conjunto de datos refinado para la clasificación.
• La selección de características identificó los atributos estadísticos más relevantes para distinguir los tipos de tumor.
• El perceptrón multicapa (MLP) logró la mayor precisión de clasificación del 97,83% después del ajuste del hiperparámetro.

Conclusiones:

• Las técnicas de visión por computadora, particularmente MLP, demuestran una alta efectividad en la clasificación de tumores cerebrales a partir de tomografías computarizadas.
• El marco propuesto ofrece un enfoque automatizado prometedor para el diagnóstico de tumores cerebrales.
• La investigación adicional puede explorar conjuntos de datos más grandes y modelos avanzados de CV para mejorar la precisión del diagnóstico.