Arquiteturas de aprendizado por transferência com ajuste fino para classificação de tumores cerebrais usando imagem por ressonância magnética

Métodos de aprendizado profundo em inteligência artificial são utilizados para o diagnóstico de tumores cerebrais, pois lidam com uma grande quantidade de dados. Comparada à tomografia computadorizada (TC), ultrassom e imagem de raios-X, a imagem por ressonância magnética (IRM) é efetivamente utilizada para o diagnóstico de tumores cerebrais baseado em visão computacional. No entanto, devido à natureza complexa do cérebro, o diagnóstico de tumores cerebrais é sempre desafiador. Esta pesquisa tem como objetivo estudar a eficácia das arquiteturas de aprendizado por transferência profunda no diagnóstico de tumores cerebrais. Este artigo aplica quatro arquiteturas de aprendizado por transferência: InceptionV3, VGG19, DenseNet121 e MobileNet. Utilizamos um conjunto de dados com dados de três bancos de dados de referência: figshare, SARTAJ e Br35H para validar os modelos. Esses bancos de dados possuem quatro classes: pituitária, sem tumor, meningioma e glioma. Aumentação de imagem é aplicada para equilibrar as classes. Os resultados experimentais demonstram que o MobileNet supera os métodos concorrentes, apresentando uma precisão de 99,60%.