What type of study is this?

This is a In Vitro Study study (also classified as: Observational).

August 22, 2025Technologies12 citationsOpen Access

Clasificación mejorada de tumores cerebrales multiclase en resonancia magnética utilizando CNN preentrenadas y arquitecturas de transformadores

MGMarco Antonio Gómez-GuzmánUniversidad Autónoma de Baja California LJLaura Jiménez-BeristáinUniversidad Autónoma de Baja California EGEnrique Efrén García-GuerreroUniversidad Autónoma de Baja California

Puntos clave

Se logró una precisión del 99.24% al clasificar cuatro tipos de tumores cerebrales utilizando un modelo de aprendizaje profundo, lo que indica una alta fiabilidad diagnóstica.
El análisis utilizó 7023 imágenes de IRM, con modelos entrenados en diferentes subconjuntos de datos, mostrando un rendimiento robusto entre las clases de tumores.
Se emplearon modelos de aprendizaje profundo como CNN y transformadores utilizando un enfoque de validación cruzada estratificada de cinco pliegues para validación.
Este trabajo enfatiza la viabilidad de implementar herramientas de diagnóstico basadas en IA en entornos clínicos, con el objetivo de optimizar los resultados para los pacientes.

Resumen

La identificación temprana y precisa de tumores cerebrales es esencial para determinar estrategias de tratamiento efectivas y mejorar los resultados de los pacientes. Las técnicas de inteligencia artificial (IA) y aprendizaje profundo (DL) han mostrado promesas en la automatización de tareas diagnósticas basadas en imágenes por resonancia magnética (IRM). Este estudio evalúa el rendimiento de cuatro arquitecturas de red neuronal convolucional profunda (CNN) preentrenadas para la clasificación automática multiclase de tumores cerebrales en cuatro categorías: Glioma, Meningioma, Pituitaria y Sin Tumor. El enfoque propuesto utiliza el conjunto de datos de resonancia magnética de tumores cerebrales Msoud, accesible públicamente, que consta de 7023 imágenes, con 5712 proporcionadas para entrenamiento y 1311 para pruebas. Para evaluar el impacto de la disponibilidad de datos, se utilizaron subconjuntos que contenían el 25%, 50%, 75% y 100% de los datos de entrenamiento. Se aplicó una técnica de validación cruzada estratificada de cinco pliegues. Las arquitecturas de CNN evaluadas incluyen DeiT3baseₚatch16₂24, Xception41, Inceptionᵥ4 y SwinTinyPatch4Window7₂24, todas ajustadas mediante aprendizaje por transferencia. La tubería de entrenamiento incorporó técnicas avanzadas de preprocesamiento y aumento de datos de imágenes para mejorar la robustez y mitigar el sobreajuste. Entre los modelos probados, SwinTinyPatch4Window7₂24 logró la mayor precisión de clasificación del 99.24% en el conjunto de prueba utilizando el 75% de los datos de entrenamiento. Este modelo demostró una generalización superior en todas las clases de tumores y abordó eficazmente los problemas de desequilibrio de clases. Además, implementamos y evaluamos el mejor modelo de DL en plataformas de IA integradas (Jetson AGX Xavier y Orin Nano), demostrando su capacidad para inferencia en tiempo real y destacando su viabilidad para implementación clínica en el borde. Los resultados destacan el fuerte potencial de las arquitecturas de CNN profundas preentrenadas y basadas en transformadores en el análisis de imágenes médicas. El enfoque propuesto ofrece una solución escalable y energéticamente eficiente para el diagnóstico automático de tumores cerebrales, facilitando la integración de IA en los flujos de trabajo clínicos.

Preguntar a la IA

Me gusta

Guardar

Ver artículo completo