Video Experimental Relacionado
Updated: Jan 8, 2026
08:20
Author Spotlight: AI-Driven Trypanosome Species Detection from Microscopic Images
Published on: October 27, 2023
2.4K
Detección de Tumores Cerebrales mediante Aprendizaje Profundo Híbrido: Combinación de DenseNet y CNN Personalizada
Alex David Swaminathan1, Almas Begum2, Karthikeyan Ramamoorthy3
1Department of Computer Science and Engineering, Vel Tech Rangarajan Dr. Sagunthala R&D Institute of Science and Technology, Chennai, Tamilnadu, India.
Biomedical engineering and computational biology
|December 15, 2025
Resumen
Un novedoso modelo de aprendizaje profundo híbrido que combina DenseNet y una Red Neuronal Convolucional (CNN) personalizada mejora significativamente la precisión y especificidad de la detección de tumores cerebrales en imágenes médicas.
Área de la Ciencia:
- Imágenes Médicas
- Inteligencia Artificial
- Ciencias de la Computación
Sus antecedentes:
- Los modelos de aprendizaje profundo son cruciales para la detección precisa de tumores cerebrales en imágenes médicas.
- Los modelos convencionales como VGG, SVM y las CNN estándar carecen de la sensibilidad y especificidad en tiempo real necesarias para el diagnóstico.
Objetivo del estudio:
- Desarrollar una arquitectura de aprendizaje profundo híbrido que integre DenseNet y una CNN personalizada.
- Mejorar la precisión de la clasificación, la sensibilidad y la especificidad para la detección de tumores cerebrales en imágenes médicas.
Principales métodos:
- Se diseñó una arquitectura híbrida que combina la reutilización de características de DenseNet con una CNN personalizada.
- El modelo se entrenó y probó en un conjunto de datos de tumores cerebrales preprocesado y aumentado.
- Se evaluó el rendimiento frente a modelos de referencia, incluidos SVM, VGG y modelos de DenseNet/CNN individuales.
Principales resultados:
- El modelo híbrido DenseNet-CNN Personalizada logró una precisión superior (superando a SVM con 96%, VGG con 94%, DenseNet con 92% y Ensembles Híbridos con ~95.2%).
- Demostró una mayor sensibilidad y especificidad con una representación de características mejorada para una clasificación de tumores más precisa.
- Logró un rendimiento comparable en fotogramas por segundo (FPS) al de SVM y significativamente menor que el de VGG.
Conclusiones:
- La integración de DenseNet con una CNN personalizada mejora las capacidades de detección de tumores cerebrales en imágenes médicas.
- Este enfoque híbrido ofrece una solución práctica y diagnósticamente satisfactoria al combinar el aprendizaje profundo general con la ingeniería de características específica del dominio.
- La combinación de múltiples métodos mejora eficazmente los resultados de la clasificación de imágenes médicas.