Desenvolvimento de um sistema de classificação para tumores cerebrais usando a arquitetura do modelo CNN ResNet152V2

De acordo com a American Cancer Society, em 2021 houve 24.530 casos de tumores cerebrais e do sistema nervoso. O National Cancer Institute relata que há aproximadamente 4,4 novos casos de tumores cerebrais por 100.000 homens e mulheres por ano. Tumores cerebrais podem ser detectados usando ressonância magnética (MRI), uma ferramenta de imagem que utiliza um campo magnético e um computador para registrar imagens do cérebro e é capaz de fornecer uma visualização clara das diferenças em tecidos moles, como substância branca e substância cinza. No entanto, isso não pode ser feito de forma otimizada, pois ainda depende de uma análise manual, o que impede a classificação dos tipos de tumores cerebrais em conjuntos de dados maiores, com potencial para erro e um baixo nível de precisão. Para determinar com precisão o tipo de tumor cerebral, é necessário um método de classificação melhor. O objetivo deste estudo é determinar a precisão da calcificação do tumor cerebral usando o modelo de aprendizado profundo. Neste estudo, a classificação dos tipos de tumores cerebrais foi realizada usando o modelo de rede neural convolucional (CNN) ResNet152V2, que possui uma profundidade de 152 camadas. O conjunto de dados utilizado neste estudo consistiu em 7.023 imagens de ressonância magnética de tumores cerebrais, composto por 1.645 meningiomas, 1.621 gliomas, 1.757 tumores pituitários e 2.000 normais. Os resultados da pesquisa mostram um valor de precisão de 94,44%, portanto pode-se concluir que o modelo ResNet152V2 tem um bom desempenho na classificação de imagens de tumores cerebrais e pode ser utilizado como um meio para que os médicos diagnostiquem pacientes com tumores cerebrais com mais precisão.