Avaliando o impacto de mecanismos de atenção na classificação automática de tumores cerebrais
DOI:
https://doi.org/10.59681/2175-4411.v16.iEspecial.2024.1276Palavras-chave:
Redes Neurais Convolucionais, Aprendizado Profundo, Tumor CerebralResumo
Objetivo: Comparar um modelo convencional de rede neural convolucional e sua versão melhorada com atenção. Método: Treinamos ambos os modelos no mesmo conjunto de dados contendo imagens de gliomas, meningiomas, adenomas pituitários e imagens não tumorais; em seguida, comparamos os modelos usando abordagens interpretáveis, destacando as regiões usadas para suas previsões. Resultados: Nossa análise descobriu que o modelo com realce de atenção focou mais nas regiões tumorais, com 99% de acurácia. Conclusão: O resultado desta pesquisa sublinha a importância da exploração contínua de características avançadas de redes neurais para elevar os padrões de precisão diagnóstica e eficiência na prática médica.
Referências
Felipe C, Alva T, Winck A, Becker C. An approach in brain tumor classification: The development of a new convolutional neural network model. In: Anais do XX Encontro Nacional de Inteligência Artificial e Computacional. Porto Alegre: SBC; 2023. p. 28-42. doi:10.5753/eniac.2023.233530. DOI: https://doi.org/10.5753/eniac.2023.233530
An J, Joe I. Attention map-guided visual explanations for deep neural networks. Applied Sciences. 2022;12(8):3846. Available from: https://doi.org/10.3390/app12083846 DOI: https://doi.org/10.3390/app12083846
Selvaraju RR, Cogswell M, Das A, Vedantam R, Parikh D, Batra D. Grad-cam: Visual explanations from deep networks via gradient-based localization. In: Proceedings of the IEEE International Conference on Computer Vision; 2017 Oct 22-29; Venice, Italy. p. 618-26. DOI: https://doi.org/10.1109/ICCV.2017.74
Mercaldo F, Brunese L, Martinelli F, Santone A, Cesarelli M. Explainable Convolutional Neural Networks for Brain Cancer Detection and Localisation. Sensors (Basel). 2023;23(17):7614. Published 2023 Sep 2. doi:10.3390/s23177614 DOI: https://doi.org/10.3390/s23177614
Hussain T, Shouno H. Explainable Deep Learning Approach for Multi-Class Brain Magnetic Resonance Imaging Tumor Classification and Localization Using Gradient-Weighted Class Activation Mapping. Information. 2023; 14(12):642. https://doi.org/10.3390/info14120642 DOI: https://doi.org/10.3390/info14120642
Alzahrani SM. ConvAttenMixer: Brain tumor detection and type classification using convolutional mixer with external and self-attention mechanisms. J King Saud Univ Comput Inf Sci. 2023;35(10):101810. doi: 10.1016/j.jksuci.2023.101810. DOI: https://doi.org/10.1016/j.jksuci.2023.101810
Nickparvar M. Brain tumor MRI dataset [Data set]. Kaggle. 2021. Available from: https://doi.org/10.34740/KAGGLE/DSV/2645886
Jun W, Liyuan Z. Brain Tumor Classification Based on Attention Guided Deep Learning Model. Int J Comput Intell Syst. 2022;15:35. https://doi.org/10.1007/s44196-022-00090-9 DOI: https://doi.org/10.1007/s44196-022-00090-9
Hu J, Shen L, Sun G. Squeeze-and-excitation networks. In: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition; 2018 Jun 18-23; Salt Lake City, UT, USA. p. 7132-41. DOI: https://doi.org/10.1109/CVPR.2018.00745
Figshare Brain Tumor Classification [Data set]. Kaggle. Available from: https://www.kaggle.com/datasets/rahimanshu/figshare-brain-tumor-classification. Last accessed 2023 May 17.
Sousa HS, Pereira Neto AA, Paula Júnior IC de, Melo CR de. Segmentação de infecções pulmonares de COVID-19 com a rede Mask R-CNN. J Health Inform [Internet]. 2023 Jul 20 [cited 2024 Mar 22];15(Especial). Available from: https://jhi.sbis.org.br/index.php/jhi-sbis/article/view/1100 DOI: https://doi.org/10.59681/2175-4411.v15.iEspecial.2023.1100
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.
