Modelo multi-task para la clasificación y segmentación de tumores cerebrales
DOI:
https://doi.org/10.59681/2175-4411.v16.iEspecial.2024.1296Palabras clave:
Inteligencia Artificial, Neoplasias Encefálicas, Aprendizaje ProfundoResumen
Objetivo: Validar si un modelo multi-task (MTL) para la clasificación y segmentación de tumores cerebrales es superior a un enfoque de single-task (ST). Método: La arquitectura del modelo consta de un encoder, que se bifurca en una fully connected (clasificación) y un decoder (segmentación). Para el ST, solo se consideró la rama de clasificación. Ambos fueron entrenados utilizando el enfoque de validación cruzada de 5 pliegues con los conjuntos de datos SARTAJ y Figshare. Resultados: El MTL logró una precisión del 95.99% ± 0.70% en comparación con el 95.87% ± 1.01% del ST. Conclusión: Ambos modelos presentaron desempeños similares, sin embargo el MTL reveló algunas ventajas, como una mayor estabilidad de las métricas, resultante de la menor desviación estándar en todas las métricas. En comparación con la literatura, el MTL logró una precisión solo un 3% por debajo del mejor modelo analizado y también tuvo un número significativamente menor de parámetros, hasta 187 veces menos.
Citas
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.
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.
