Evaluación del aprendizaje por transferencia para la detección de tumores cerebrales en imágenes medicas
DOI:
https://doi.org/10.59681/2175-4411.v16.iEspecial.2024.1302Palabras clave:
Aprendizaje por Transferencia, Red Neuronal Convolucional, Tumor CerebralResumen
Objetivo: Con el aumento de la viabilidad de la aplicación de redes neuronales convolucionales (CNNs), se objetivó evaluar el uso de esta tecnología para la detección de tumores cerebrales en imágenes de resonancia magnética computarizada. Método: Se desarrollaron dos modelos distintos de CNN, uno con el uso de transferencia de aprendizaje y otro sin ella, para clasificar la ocurrencia de tumores cerebrales. Resultados: Se obtuvo, con el modelo sin el uso de transferencia de aprendizaje, una precisión del 99,67%, con una sensibilidad del 100% y una especificidad del 99,34%; con el modelo que usó transferencia de aprendizaje, se obtuvo una precisión del 98%, con una sensibilidad del 98,32% y una especificidad del 97,69%. Conclusión: Este estudio destaca la eficacia de las CNN en la detección de tumores cerebrales, sugiriendo el uso de sistemas inteligentes como herramientas auxiliares.
Citas
Rethemiotaki I. Brain tumour detection from magnetic resonance imaging using convolutional neural networks. Contemp Oncol [Internet]. 2023 [cited 2024 Apr 21];27(4):230. Available from: /pmc/articles/PMC10883197/ DOI: https://doi.org/10.5114/wo.2023.135320
Fritz A, Percy C, Jack A. International Classification of Diseases for Oncology. Third. Vol. 1. Switzerland: World Health Organization; 2000. 0–222 p.
Tandel GS, Biswas M, Kakde OG, Tiwari A, Suri HS, Turk M, et al. A review on a deep learning perspective in brain cancer classification. Cancers (Basel) [Internet]. 2019 Jan 18 [cited 2021 Dec 12];11(1):111. Available from: https://www.mdpi.com/2072-6694/11/1/111/htm DOI: https://doi.org/10.3390/cancers11010111
Kang J, Ullah Z, Gwak J. Mri-based brain tumor classification using ensemble of deep features and machine learning classifiers. Sensors [Internet]. 2021 Mar 22 [cited 2021 Dec 12];21(6):1–21. Available from: https://www.mdpi.com/1424-8220/21/6/2222/htm
Patel AP, Fisher JL, Nichols E, Abd-Allah F, Abdela J, Abdelalim A, et al. Global, regional, and national burden of brain and other CNS cancer, 1990-2016: a systematic analysis for the Global Burden of Disease Study 2016. Lancet Neurol [Internet]. 2019 Apr 1 [cited 2024 Apr 22];18(4):376–93. Available from: https://pubmed.ncbi.nlm.nih.gov/30797715/
Naseer A, Yasir T, Azhar A, Shakeel T, Zafar K. Computer-Aided Brain Tumor Diagnosis: Performance Evaluation of Deep Learner CNN Using Augmented Brain MRI. Int J Biomed Imaging. 2021;2021.
Fernandes SL, Tanik UJ, Rajinikanth V, Karthik KA. A reliable framework for accurate brain image examination and treatment planning based on early diagnosis support for clinicians. Neural Comput Appl [Internet]. 2020 Oct 1 [cited 2024 Apr 22];32(20):15897–908. Available from: https://link.springer.com/article/10.1007/s00521-019-04369-5 DOI: https://doi.org/10.1007/s00521-019-04369-5
Naseer A, Yasir T, Azhar A, Shakeel T, Zafar K. Computer-Aided Brain Tumor Diagnosis: Performance Evaluation of Deep Learner CNN Using Augmented Brain MRI. Int J Biomed Imaging. 2021;2021. DOI: https://doi.org/10.1155/2021/5513500
Naseer A, Zafar K. Comparative Analysis of Raw Images and Meta Feature based Urdu OCR using CNN and LSTM. International Journal of Advanced Computer Science and Applications. 2018;9(1):419–24. DOI: https://doi.org/10.14569/IJACSA.2018.090157
Naseer A, Zafar K. Meta features-based scale invariant OCR decision making using LSTM-RNN. Comput Math Organ Theory [Internet]. 2019 Jun 1 [cited 2024 Apr 22];25(2):165–83. Available from: https://link.springer.com/article/10.1007/s10588-018-9265-9 DOI: https://doi.org/10.1007/s10588-018-9265-9
Papageorgiou V. Brain tumor detection based on features extracted and classified using a low-complexity neural network. Traitement du Signal. 2021 Jun 1;38(3):547–54.
Papageorgiou EI, Spyridonos PP, Glotsos DT, Stylios CD, Ravazoula P, Nikiforidis GN, et al. Brain tumor characterization using the soft computing technique of fuzzy cognitive maps. Applied Soft Computing Journal. 2008 Jan 1;8(1):820–8. DOI: https://doi.org/10.1016/j.asoc.2007.06.006
Deepak S, Ameer PM. Brain tumor classification using deep CNN features via transfer learning. Comput Biol Med [Internet]. 2019 Aug 1 [cited 2024 Apr 28];111. Available from: https://pubmed.ncbi.nlm.nih.gov/31279167/ DOI: https://doi.org/10.1016/j.compbiomed.2019.103345
Wu M, Liu Q, Yan C, Sen G. Multi-Classification of Brain Tumors on Magnetic Resonance Images Using an Ensemble of Pre-Trained Convolutional Neural Networks. Curr Med Imaging [Internet]. 2022 Apr 18 [cited 2024 Apr 28];19(1):65–76. Available from: https://pubmed.ncbi.nlm.nih.gov/35430973/ DOI: https://doi.org/10.2174/1573405618666220415122843
Swati ZNK, Zhao Q, Kabir M, Ali F, Ali Z, Ahmed S, et al. Brain tumor classification for MR images using transfer learning and fine-tuning. Comput Med Imaging Graph [Internet]. 2019 Jul 1 [cited 2024 Apr 28];75:34–46. Available from: https://pubmed.ncbi.nlm.nih.gov/31150950/ DOI: https://doi.org/10.1016/j.compmedimag.2019.05.001
Kang J, Ullah Z, Gwak J. Mri-based brain tumor classification using ensemble of deep features and machine learning classifiers. Sensors. 2021 Mar 22;21(6):1–21. DOI: https://doi.org/10.3390/s21062222
Br35H :: Detecção de tumor cerebral 2020 | Kaggle [Internet]. [cited 2021 Dec 12]. Available from: https://www.kaggle.com/ahmedhamada0/brain-tumor-detection
Papageorgiou V. Brain tumor detection based on features extracted and classified using a low-complexity neural network. Traitement du Signal. 2021 Jun 1;38(3):547–54. DOI: https://doi.org/10.18280/ts.380302
Selvaraju RR, Cogswell M, Das A, Vedantam R, Parikh D, Batra D. Grad-CAM: Visual Explanations from Deep Networks via Gradient-based Localization. Int J Comput Vis [Internet]. 2016 Oct 7 [cited 2024 May 27];128(2):336–59. Available from: http://arxiv.org/abs/1610.02391 DOI: https://doi.org/10.1007/s11263-019-01228-7
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.
