Classification des tumeurs cérébrales utilisant un réseau neuronal convolutif profond préentraîné

Dans cette recherche, un réseau neuronal convolutif profond (CNN) a été implémenté pour la classification binaire des tumeurs cérébrales GBM. Le jeu de données provenant de la base de données REMBRANDT, qui comprend 155 images IRM, a été utilisé dans cette recherche. L'apprentissage par transfert via des réseaux préentraînés, à savoir GoogleNet et AlexNet, a été réalisé pour classifier la tumeur cérébrale GBM et le cerveau normal. L'avantage de la classification par apprentissage par transfert est que la segmentation manuelle et l'extraction de caractéristiques ont été remplacées par une procédure automatique qui réduit l'erreur due à l'intervention humaine. Le résultat de prédiction utilisant le réseau préentraîné Googlenet a montré un résultat de précision de 80,85 % et le réseau préentraîné Alexnet a obtenu une précision de 93,62 %. La classification des tumeurs cérébrales GBM par réseau préentraîné de deep learning a obtenu un bon résultat de précision et peut être mise en œuvre dans la pratique pour aider le personnel médical à un diagnostic précoce pour un traitement ultérieur et augmenter le taux de survie des patients. L'ajustement manuel pour la segmentation et l'extraction de caractéristiques est amélioré par la classification automatique utilisant le réseau préentraîné de deep learning, ce qui constitue le principal avantage de cette recherche. Dans les travaux futurs, nous essaierons de mettre en œuvre un jeu de données d'images accru pour améliorer la précision, les tests de robustesse et prévenir le problème de surapprentissage.