Evaluando el impacto de mecanismos de atención en la clasificación automática de tumores cerebrales
DOI:
https://doi.org/10.59681/2175-4411.v16.iEspecial.2024.1276Palabras clave:
Redes Neuronales Convolucionales, Aprendizaje Profundo, Tumor CerebralResumen
Objetivo: Comparar un modelo convencional de red neuronal convolucional y su versión mejorada con atención. Método: Entrenamos ambos modelos en el mismo conjunto de datos que contiene imágenes de gliomas, meningiomas, adenomas pituitarios e imágenes no tumorales; luego, comparamos los modelos utilizando enfoques interpretativos, destacando las regiones utilizadas para sus predicciones. Resultados: Nuestro análisis descubrió que el modelo con realce de atención se centró más en las regiones tumorales, con precisión del 99%. Conclusión: El resultado de esta investigación subraya la importancia de la exploración continua de características avanzadas de redes neuronales para elevar los estándares de precisión diagnóstica y eficiencia en la práctica médica.
Citas
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.
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
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.
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
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
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.
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
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.
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
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
La sumisión de un artículo a el Journal of Health Informatics es entendida como exclusiva y que no esta siendo considerado para publicación en otro periódico. La permisión de los autores para la publicación de su artículo en lo JHI implica en la exclusiva autorización concedida a los editores para su inclusión en la revista. Al someter un artículo, a lo autor será solicitada la permisión electrónica de una Nota de Copyright. Una mensaje electrónica será enviada a lo autor correspondiente confirmando el recibo del manuscrito y lo aceite de la Nota de Copyright.
