Sistema automático de diagnóstico de tumores cerebrales de múltiples modelos en dos fases a partir de imágenes por resonancia magnética utilizando redes neuronales convolucionales

El tumor cerebral es una enfermedad grave, y el número de personas que están muriendo debido a tumores cerebrales está aumentando. El diagnóstico manual del tumor a partir de imágenes por resonancia magnética (IRM) es un proceso que consume mucho tiempo y es insuficiente para detectar, localizar y clasificar con precisión el tipo de tumor. Esta investigación propone un novedoso sistema de diagnóstico automático de múltiples modelos en dos fases para la detección y localización de tumores cerebrales. En la primera fase, la estructura del sistema consiste en preprocesamiento, extracción de características utilizando una red neuronal convolucional (CNN) y clasificación de características utilizando el enfoque de máquina de vectores de soporte con códigos de salida de corrección de errores (ECOC-SVM). El propósito de la primera fase del sistema es detectar el tumor cerebral clasificando las IRM en imágenes normales y anormales. El objetivo de la segunda fase del sistema es localizar el tumor dentro de las IRM anormales utilizando una red neuronal convolucional basada en regiones completamente diseñada de cinco capas (R-CNN). El rendimiento de la primera fase se evaluó utilizando tres modelos de CNN, a saber, AlexNet, Visual Geometry Group (VGG)-16 y VGG-19, y se logró una precisión máxima de detección del 99.55% con AlexNet utilizando 349 imágenes extraídas de la base de datos estándar Reference Image Database to Evaluate Response (RIDER) Neuro MRI. La fase de localización del tumor cerebral se evaluó utilizando 804 IRM 3D de la base de datos Brain Tumor Segmentation (BraTS) 2013, y se alcanzó un puntaje de DICE de 0.87. El trabajo empírico demostró el rendimiento excepcional del sistema propuesto basado en aprendizaje profundo en la detección de tumores en comparación con otros enfoques no basados en aprendizaje profundo en la literatura. Los resultados obtenidos también demuestran la superioridad del sistema propuesto con respecto a la detección y localización de tumores.