Implementación de un modelo de clasificación y detección de tumores cerebrales en imágenes de RM, basado en técnicas de ciencia de datos

Abstract

Este estudio se propone desarrollar un modelo para la detección de tumores cerebrales a través de imágenes de resonancia magnética (RM) , basado en técnicas de aprendizaje profundo, con la finalidad de mejorar la precisión de la clasificación y la detección de tumores a partir de imágenes de RM. Para la muestra se consideraron 2 bases de datos de imágenes, la primera estuvo conformada por 25 3 imágenes de las cuales 98 no tiene tumor cerebral y 15 5 si tienen tumor cerebral y la segunda base de datos considerada por 2747 imágenes . La metodol o g ía adopta da implementa un enfoque cuantitativo, de alcance explicativo, y adopta un diseño no experimental y transeccional. Los hallazgos indicaron que las metodologías de aprendizaje automático proporcionaron una precisión de 0.875, mientras que las técnicas de aprendizaje pro fundo proporcionaron una precisión de 0.9375 , para una muestra d e imágenes; posteriormente se trabajó con una muestra mayor de imágenes; para ser exactos 2747 imágenes, donde a partir de los modelos de aprendizaje profundo se obtuvo un accuracy de 0.96 con el modelo Desenet121 y con el modelo VGG16 con una precisión de 1. En casos simples, los radiólogos con experiencia pueden completar el análisis en un tiempo que oscila entre 10 y 30 minutos. Por otro lado, en situaciones más complejas, la duración del análisis puede extenderse a una hora o incluso más . De esta manera, se conclu ye que los modelos de aprendizaje profundo son los mejores al momento de trabajar con imágenes, en este caso en particular; con imágenes de tumor cerebral, mejorando la precisión de la clasificación y la detección de tumores cerebrales mediante imágenes de resonancia magnética.