Técnicas de aprendizaje profundo para el análisis de imágenes de resonancia magnética del cerebro

Abstract

La necesidad de realizar diagnósticos oportunos y certeros de enfermedades relacionadas con el cerebro ha planteado retos a las nuevas tecnologías computacionales. En este ámbito juegan un papel importante los avances en el aprendizaje automático, que permite por sus diferentes técnicas y algoritmos llevar a cabo la extracción de características y patrones relevantes de los objetos de estudio. Este trabajo presenta el estudio de varias arquitecturas basadas en Redes Convulsiónales CNN, con el objetivo de clasificar tres tipos de tumores presentes en una variedad de imágenes capturadas por medio de Resonancia Magnética de alto contraste. Las arquitecturas del presente estudio fueron VGG16, ResNet50, Xception, cuyas implementaciones se encuentran definidas en el framework Keras. Las pruebas de dichas arquitecturas estuvieron precedidas por las técnicas de Data Augmentation, Transfer Learning, que permitieron mejorar la exactitud del proceso de entrenamiento, gracias al uso de modelos pre-entrenados con el dataset de ImageNet. Al _nal, la arquitectura VGG16 fue la que mostró un mejor desempeño, con una exactitud de 98.04 %, seguido deResNet50 con 94.89% y por _ultimo Xception con 92.18 %.