Aprimorando a classificação automática de tumores cerebrais com técnicas de aprendizado profundo
DOI:
https://doi.org/10.59681/2175-4411.v16.iEspecial.2024.1253Palavras-chave:
Aprendizado Profundo, Classificação Automática, Tumores cerebraisResumo
A precisão na classificação automática de tumores cerebrais desempenha um papel determinante para a confiabilidade do método para aplicações na saúde. Erros de
classificação podem resultar em diagnósticos imprecisos, levando a abordagens inadequadas e potencialmente prejudiciais. Objetivo: Propor uma abordagem visando minimizar erros de classificação. Método: Desenvolvemos um modelo de rede neural convolucional em duas etapas: primeiro, quatro modelos binários para tumores que apresentam maiores desafios de diferenciação; depois, um modelo Ensemble para classificação multiclasse. Adicionalmente, empregamos uma técnica para interpretar as previsões dos modelos e identificar as regiões de interesse nas imagens médicas. Resultados: Os resultados demonstram que a abordagem proposta alcança uma acurácia de 98%. Conclusão: Este trabalho trouxe contribuições para a aplicação de aprendizado profundo na classificação de tumores cerebrais, destacando a importância de abordagens transparentes e robustas para garantir precisão e segurança nas previsões.
Referências
Câncer do sistema nervoso central [Internet]. Instituto Nacional de Câncer - INCA. [cited 2024 Jan 26]. Available from: https://www.gov.br/inca/pt-br/assuntos/cancer/tipos/sistema- nervoso-central
Sung H, Ferlay J, Siegel RL, Laversanne M, Soerjomataram I, Jemal A, et al. Global Cancer Statistics 2020: GLOBOCAN Estimates of Incidence and Mortality Worldwide for 36 Cancers in 185 Countries. CA: a Cancer Journal for Clinicians. 2021 Feb 4;71(3):209–49. DOI: https://doi.org/10.3322/caac.21660
Nowosielski M, Galldiks N, Iglseder S, Kickingereder P, von Deimling A, Bendszus M, et al. Diagnostic challenges in meningioma. Neuro-Oncology [Internet]. 2017 Nov 1 [cited 2024 Jan 26];19(12):1588–98. Available from: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC5716093/ DOI: https://doi.org/10.1093/neuonc/nox101
Wilms G, Lammens M, Marchal G, Demaerel P, Verplancke J, Van Calenbergh F, et al. Prominent dural enhancement adjacent to nonmeningiomatous malignant lesions on contrast-enhanced MR images. AJNR American journal of neuroradiology [Internet]. 1991 [cited 2024 Jan 26];12(4):761–4. Available from: https://pubmed.ncbi.nlm.nih.gov/1882761/
Bhuvaji S. SartajBhuvaji/Brain-Tumor-Classification-DataSet [Internet]. GitHub. 2023 [cited 2024 Jan 26]. Available from: https://github.com/SartajBhuvaji/Brain-Tumor-Classification- DataSet
Cheng, J. (2017). Brain tumor dataset [Internet]. [cited 2024 Jan 26]. Available from: https://figshare.com/articles/dataset/brain_tumor_dataset/1512427. DOI: 10.6084/m9.figshare.1512427.v5
Ahmedhamada0. Br35H: Brain Tumor Detection 2020 [Internet]. [cited 2024 Jan 26]. www.kaggle.com. Available from: https://www.kaggle.com/datasets/ahmedhamada0/brain- tumor-detection
Ribeiro MT, Singh S, Guestrin C. “Why Should I Trust You?” Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining - KDD ’16 [Internet]. 2016; [cited 2024 Jan 26]. Available from: https://arxiv.org/pdf/1602.04938.pdf. DOI: https://doi.org/10.1145/2939672.2939778
Rasool M, Ismail NA, Boulila W, Ammar A, Samma H, Yafooz WMS, et al. A Hybrid Deep Learning Model for Brain Tumour Classification. Entropy [Internet]. 2022 Jun 8;24(6):799. [cited 2024 Jan 26]. Available from: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC9222774/ DOI: https://doi.org/10.3390/e24060799
Rasool M, Ismail NA, Al-Dhaqm A, Yafooz WMS, Alsaeedi A. A Novel Approach for Classifying Brain Tumours Combining a SqueezeNet Model with SVM and Fine-Tuning. Electronics. 2022 Dec 29;12(1):149. DOI: https://doi.org/10.3390/electronics12010149
Mahajan, N., & Chavan, H. (2023). A Robust Approach for Brain Tumor Detection using Transfer Learning. Available from: https://ieeexplore.ieee.org/abstract/document/10220906?casa_token=ZmdSd_mFuJ0AAAA A:l5j9izaUrS-LA26hcIujQgSDBscVkYwPc9MsmLEmXBrS3XRWZ2- dOfnBend_8uD_RDg4scQ7gg
Gómez-Guzmán MA, Jiménez-Beristaín L, García-Guerrero EE, López-Bonilla OR, Tamayo-Perez UJ, Esqueda-Elizondo JJ, et al. Classifying Brain Tumors on Magnetic Resonance Imaging by Using Convolutional Neural Networks. Electronics [Internet]. 2023 Jan 1;12(4):955. [cited 2024 Jan 26]. Available from: https://www.mdpi.com/2079- 9292/12/4/955 DOI: https://doi.org/10.3390/electronics12040955
Özkaraca O, Bağrıaçık Oİ, Gürüler H, Khan F, Hussain J, Khan J, et al. Multiple Brain Tumor Classification with Dense CNN Architecture Using Brain MRI Images. Life. 2023 Jan 28;13(2):349. DOI: https://doi.org/10.3390/life13020349
Nickparvar, M. (2023). Brain Tumor MRI Dataset [Internet]. [cited 2024 Jan 26]. www.kaggle.com. Available from: https://www.kaggle.com/datasets/masoudnickparvar/brain- tumor-mri-dataset/
Filatov D, Yar GNAH. Brain Tumor Diagnosis and Classification via Pre-Trained Convolutional Neural Networks [Internet]. arXiv.org. 2022. [cited 2024 Jan 26]. Available from: https://arxiv.org/abs/2208.00768 DOI: https://doi.org/10.1101/2022.07.18.22277779
Glioma Object Detection Dataset and Pre-Trained Model by test [Internet]. Roboflow. [cited 2024 Jan 26]. Available from: https://universe.roboflow.com/test-786lz/glioma-4mibx
Meningioma Detector Object Detection Dataset and Pre-Trained Model by Kelompok BRIN [Internet]. Roboflow. [cited 2024 Jan 26]. Available from: https://universe.roboflow.com/kelompok-brin-dxxif/meningioma-detector
brain-tumor-classification Classification Dataset by opendataacademia [Internet]. Roboflow. [cited 2024 Jan 26]. Available from: https://universe.roboflow.com/opendataacademia/brain- tumor-classification-qkeoa
Desai PK. Multiple meningiomas | Radiology Case | Radiopaedia.org [Internet].
Radiopaedia. [cited 2024 Jan 26]. Available from: https://radiopaedia.org/cases/multiple- meningiomas-1
Gomes L. Glioma de Baixo Grau - Tumores Cerebrais [Internet]. Dr. Gustavo Noleto. 2022 [cited 2024 Jan 26]. Available from: https://www.neurodrgustavonoleto.com/glioma-de-baixo- grau/
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
A submissão de um artigo ao Journal of Health Informatics é entendida como exclusiva e que não está sendo considerada para publicação em outra revista. A permissão dos autores para a publicação de seu artigo no J. Health Inform. implica na exclusiva autorização concedida aos editores para incluí-lo na revista. Ao submeter um artigo, ao autor será solicitada a permissão eletrônica de um Termo de Transferência de Direitos Autorais. Uma mensagem eletrônica será enviada ao autor correspondente confirmando o recibo do manuscrito e o aceite da Declaração de Direito Autoral.
