UNet-VGG16 con aprendizaje por transferencia para la segmentación de tumores cerebrales basada en MRI

Un tumor cerebral es una de las enfermedades mortales que requiere alta precisión en su cirugía médica. La detección de tumores cerebrales se puede realizar a través de imágenes por resonancia magnética (MRI). La segmentación de imágenes para el tumor cerebral en MRI tiene como objetivo separar el área del tumor (como la región de interés o ROI) del cerebro sano y proporcionar un límite claro del tumor. Este estudio clasifica la ROI y la no-ROI utilizando una red totalmente convolucional con una nueva arquitectura, a saber, UNet-VGG16. Este modelo o arquitectura es un híbrido de U-Net y VGG16 con aprendizaje por transferencia para simplificar la arquitectura de U-Net. Este método tiene una alta precisión de aproximadamente 96.1% en el conjunto de datos de aprendizaje. La validación se realiza calculando la tasa de clasificación correcta (CCR) para comparar el resultado de la segmentación con la verdad de base. El valor de CCR muestra que este UNet-VGG16 podría reconocer el área del tumor cerebral con un promedio de valor de CCR de aproximadamente 95.69%.