Un enfoque híbrido basado en aprendizaje profundo para la clasificación de tumores cerebrales

Los tumores cerebrales (TC) se están extendiendo muy rápidamente por todo el mundo. Cada año, miles de personas mueren debido a tumores cerebrales mortales. Por lo tanto, la detección y clasificación precisas son esenciales en el tratamiento de los tumores cerebrales. Se han introducido numerosas técnicas de investigación para la detección de TC, así como para la clasificación basada en aprendizaje automático (AM) tradicional y aprendizaje profundo (AP). Los clasificadores de AM tradicionales requieren características diseñadas a mano, lo cual consume mucho tiempo. Por el contrario, el AP es muy robusto en la extracción de características y se ha utilizado ampliamente recientemente para fines de clasificación y detección. Por lo tanto, en este trabajo, proponemos un modelo híbrido de aprendizaje profundo llamado DeepTumorNet para tres tipos de tumores cerebrales (TC): glioma, meningioma y clasificación de tumores pituitarios, adoptando una arquitectura básica de red neuronal convolucional (RNC). Se utilizó la arquitectura GoogLeNet del modelo de RNC como base. Al desarrollar el enfoque híbrido DeepTumorNet, se eliminaron las últimas 5 capas de GoogLeNet y se añadieron 15 nuevas capas en lugar de estas 5 capas. Además, también utilizamos una función de activación ReLU con fuga en el mapa de características para aumentar la expresividad del modelo. El modelo propuesto fue probado en un conjunto de datos de investigación disponible públicamente con fines de evaluación, y obtuvo una precisión del 99.67%, una precisión del 99.6%, un recall del 100% y un F1-score del 99.66%. La metodología propuesta alcanzó la mayor precisión en comparación con los resultados de clasificación de última generación obtenidos con AlexNet, ResNet50, Darknet53, Shufflenet, GoogLeNet, SqueezeNet, ResNet101, Exception Net y MobileNetv2. El modelo propuesto mostró su superioridad sobre los modelos existentes para la clasificación de TC a partir de imágenes de MRI.