Modelo multi-task para classificação e segmentação de tumores cerebrais
DOI:
https://doi.org/10.59681/2175-4411.v16.iEspecial.2024.1296Palavras-chave:
Inteligência Artificial, Neoplasias Encefálicas, Aprendizado ProfundoResumo
Objetivo: Validar se um modelo multi-task (MTL) para classificação e segmentação de tumores cerebrais é superior a um single-task (ST). Método: a arquitetura do modelo é constituída de um encoder, que se bifurca em uma fully connected (classificação) e um decoder (segmentação). Para o ST, apenas a ramificação de classificação foi considerada. Ambos foram treinados utilizando a abordagem de 5-fold cross validation com os datasets SARTAJ e Figshare. Resultados: O MTL alcançou acurácia de 95.99% ± 0.70% em comparação com 95.87% ± 1.01% do ST. Conclusão: Ambos os modelos apresentaram desempenhos semelhantes, entretanto o MTL revelou algumas vantagens, como uma maior estabilidade de métricas, resultado do desvio padrão menor em todas as métricas. Em relação à literatura, o MTL obteve uma acurácia de apenas 3% abaixo do melhor modelo entre os analisados, e também apresentou um número significativamente menor de parâmetros, com até 187 vezes.
Downloads
Referências
Thierheimer M, Cioffi G, Waite KA, Kruchko C, Ostrom QT, Barnholtz-Sloan JS. Mortality trends in primary malignant brain and central nervous system tumors vary by histopathology, age, race, and sex. J Neurooncol. 2023;162:167-177. DOI: https://doi.org/10.1007/s11060-023-04279-6
Deorah S, Lynch CF, Sibenaller ZA, Ryken TC. Trends in Brain Cancer Incidence and Survival in the United States: Surveillance, Epidemiology, and End Results Program, 1973 to 2001. Neurosurg Focus. 2006;20(4):E1. DOI: https://doi.org/10.3171/foc.2006.20.4.E1
Yang S, Zhu F, Ling X, Liu Q, Zhao P. Intelligent Health Care: Applications of Deep Learning in Computational Medicine. Front Genet. 2021;12:607471. DOI: https://doi.org/10.3389/fgene.2021.607471
Trombetta GBW, Fröhlich W da R, Rigo SJ, Rodrigues CA. Application of Deep Learning for Diagnosis of COVID-19-Induced Pneumonia from X-ray Images. J Health Inform [Internet]. March 15, 2021 [cited March 9, 2024];12. Available from: https://jhi.sbis.org.br/index.php/jhi-sbis/article/view/828.
LeCun Y, Bengio Y, Hinton G. Deep Learning. Nature. 2015;521:436. DOI: https://doi.org/10.1038/nature14539
Zhang Y, Yang Q. An Overview of Multi-Task Learning. Natl Sci Rev. 2018;5(1):30-43. DOI: https://doi.org/10.1093/nsr/nwx105
Crawshaw M. Multi-Task Learning with Deep Neural Networks: A Survey. arXiv. 2020.
Ruder S. An Overview of Multi-Task Learning in Deep Neural Networks. arXiv. 2017.
Tardy M, Mateus D. Leveraging Multi-Task Learning to Cope With Poor and Missing Labels of Mammograms. Front Radiol. 2021;1. DOI: https://doi.org/10.3389/fradi.2021.796078
Oliveira B, et al. A multi-task convolutional neural network for classification and segmentation of chronic venous disorders. Sci Rep. 2023;13:761. DOI: https://doi.org/10.1038/s41598-022-27089-8
Ngo DK, Tran MT, Kim SH, Yang HJ, Lee GS. Multi-Task Learning for Small Brain Tumor Segmentation from MRI. Appl Sci. 2020;10(21):7790. DOI: https://doi.org/10.3390/app10217790
Gómez-Guzmán MA, et al. Classifying Brain Tumors on Magnetic Resonance Imaging by Using Convolutional Neural Networks. Electronics. 2023;12:955. DOI: https://doi.org/10.3390/electronics12040955
Ullah N, et al. An Effective Approach to Detect and Identify Brain Tumors Using Transfer Learning. Appl Sci. 2022;12:5645. DOI: https://doi.org/10.3390/app12115645
Rasheed Z, et al. Brain Tumor Classification from MRI Using Image Enhancement and Convolutional Neural Network Techniques. Brain Sci. 2023;13(9):1320. DOI: https://doi.org/10.3390/brainsci13091320
Bhuvaji S, Kadam A, Bhumkar P, Dedge S, Kanchan S. Brain Tumor Classification (MRI). Kaggle. 2020.
Cheng J. Brain Tumor Dataset. Figshare. 2017.
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 (Declaração de Exclusividade). 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 de um Termo de Transferência de Direitos de Publicação. Uma mensagem eletrônica será enviada ao autor correspondente confirmando o recibo do manuscrito e o aceite da Declaração de Direito de Publicação.
