Uma Abordagem Robusta para Detecção de Tumores Cerebrais em Imagens de Ressonância Magnética Usando EfficientNet Ajustado

Um tumor cerebral é um distúrbio causado pelo crescimento de células cerebrais anormais. A taxa de sobrevivência de um paciente afetado por um tumor é difícil de determinar porque são infrequentes e aparecem em várias formas. Esses tumores podem ser identificados através de Imagens de Ressonância Magnética (IRM), que desempenham um papel essencial na determinação do local do tumor; no entanto, a detecção manual é um procedimento demorado e desafiador que pode causar alguns erros nos resultados. A adoção de abordagens assistidas por computador é essencial para ajudar a superar essas limitações. Com o avanço da inteligência artificial, modelos de aprendizado profundo (DL) estão sendo utilizados em imagens médicas para diagnosticar tumores cerebrais usando imagens de RM. Neste estudo, um modelo base de rede neural convolucional profunda (CNN) EfficientNet-B0 é ajustado com as camadas propostas para classificar e detectar eficientemente imagens de tumores cerebrais. Técnicas de aprimoramento de imagem são utilizadas aplicando vários filtros para melhorar a qualidade das imagens. Métodos de aumento de dados são aplicados para aumentar as amostras de dados para um melhor treinamento do modelo proposto. Os resultados mostram que o EfficientNet-B0 ajustado proposto supera outros modelos de CNN, alcançando a mais alta precisão de classificação, precisão, revocação e valores de área sob a curva que ultrapassam outros modelos de ponta, com uma precisão geral de 98,87% em termos de classificação e detecção. Outros algoritmos de DL, como VGG16, InceptionV3, Xception, ResNet50 e InceptionResNetV2, são usados para análise comparativa.