Modelo de aprendizaje profundo de ensamblaje de promedio ponderado para la estratificación de tumores cerebrales en imágenes de MRI

El diagnóstico de tumores cerebrales en una etapa temprana puede mejorar las posibilidades de un tratamiento exitoso y mejores resultados para los pacientes. En la industria biomédica, se pueden utilizar procedimientos de diagnóstico no invasivos, como la imagenología por resonancia magnética (IRM), para diagnosticar tumores cerebrales. El aprendizaje profundo, un tipo de inteligencia artificial, puede analizar imágenes de IRM en cuestión de segundos, reduciendo el tiempo que se tarda en realizar un diagnóstico y potencialmente mejorando los resultados para los pacientes. Además, un modelo de ensamblaje puede ayudar a aumentar la precisión de la clasificación al combinar las fortalezas de múltiples modelos y compensar sus debilidades individuales. Por lo tanto, en esta investigación, se propone un modelo de aprendizaje profundo de ensamblaje de promedio ponderado para la clasificación de tumores cerebrales. Para el modelo de clasificación de ensamblaje ponderado, se toman tres espacios de características diferentes del modelo VGG19 de aprendizaje por transferencia, el modelo de Red Neuronal Convolucional (CNN) sin aumentación, y el modelo de CNN con aumentación. Estos tres espacios de características se ensamblan con la mejor combinación de pesos, es decir, peso1, peso2 y peso3 mediante búsqueda en cuadrícula. El conjunto de datos utilizado para la simulación se toma de The Cancer Genome Atlas (TCGA), con una colección de gliomas de bajo grado que contiene 3929 imágenes de IRM de 110 pacientes. El modelo de ensamblaje ayuda a reducir el sobreajuste al combinar múltiples modelos que han aprendido diferentes aspectos de los datos. El modelo de ensamblaje propuesto supera a los tres modelos individuales para detectar tumores cerebrales en términos de precisión, exactitud y F1-score. Por lo tanto, el modelo propuesto puede actuar como una herramienta de segunda opinión para los radiólogos para diagnosticar el tumor a partir de imágenes de IRM del cerebro.