DaSAM: modelo explicativo basado en módulos de enfermedades y atención espacial para la detección de tumores cerebrales
Autores: Tehsin, Sara; Nasir, Inzamam Mashood; Damaeviius, Robertas; Maskelinas, Rytis
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
2024
DaSAM: modelo explicativo basado en módulos de enfermedades y atención espacial para la detección de tumores cerebrales
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería de Sistemas
Palabras clave
Tumores cerebrales
Resonancia magnética
Detección
Diagnóstico
Modelos de aprendizaje profundo
Modelo DaSAM
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 38
Citaciones: Sin citaciones
Los tumores cerebrales son el resultado del desarrollo irregular de células. Es una de las principales causas de fallecimiento en adultos en todo el mundo. Varios fallecimientos pueden evitarse con la detección temprana de tumores cerebrales. La resonancia magnética (MRI) para el diagnóstico temprano de tumores cerebrales puede mejorar la probabilidad de supervivencia de los pacientes. El método más común para diagnosticar tumores cerebrales es la MRI. La mayor visibilidad de las malignidades en la MRI facilita la terapia. El diagnóstico y tratamiento de los cánceres cerebrales dependen de su identificación y tratamiento. Numerosos modelos de aprendizaje profundo han sido propuestos en la última década, incluyendo Alexnet, VGG, Inception, ResNet, DenseNet, etc. Todos estos modelos se entrenan en un gran conjunto de datos, ImageNet. Estos modelos generales tienen muchos parámetros, que se vuelven irrelevantes al implementar estos modelos para un problema específico. Este estudio utiliza un modelo personalizado de aprendizaje profundo para la clasificación de MRI cerebrales. El modelo propuesto Disease and Spatial Attention Model (DaSAM) consta de dos módulos; (a) el Módulo de Atención a la Enfermedad (DAM), para distinguir entre regiones de imagen con enfermedad y sin enfermedad, y (b) el Módulo de Atención Espacial (SAM), para extraer características importantes. Los experimentos del modelo propuesto se llevaron a cabo en dos conjuntos de datos multiclase disponibles públicamente, los conjuntos de datos de Figshare y Kaggle, donde se logran valores de precisión del 99% y 96%, respectivamente. El modelo propuesto también se probó utilizando validación entre conjuntos de datos, donde se logró una precisión del 85% al entrenarse en el conjunto de datos de Figshare y validarse en el conjunto de datos de Kaggle. La incorporación de los módulos DAM y SAM permitió la funcionalidad de mapeo de características, lo cual resultó útil para resaltar características importantes durante el proceso de toma de decisiones del modelo.
Descripción
Los tumores cerebrales son el resultado del desarrollo irregular de células. Es una de las principales causas de fallecimiento en adultos en todo el mundo. Varios fallecimientos pueden evitarse con la detección temprana de tumores cerebrales. La resonancia magnética (MRI) para el diagnóstico temprano de tumores cerebrales puede mejorar la probabilidad de supervivencia de los pacientes. El método más común para diagnosticar tumores cerebrales es la MRI. La mayor visibilidad de las malignidades en la MRI facilita la terapia. El diagnóstico y tratamiento de los cánceres cerebrales dependen de su identificación y tratamiento. Numerosos modelos de aprendizaje profundo han sido propuestos en la última década, incluyendo Alexnet, VGG, Inception, ResNet, DenseNet, etc. Todos estos modelos se entrenan en un gran conjunto de datos, ImageNet. Estos modelos generales tienen muchos parámetros, que se vuelven irrelevantes al implementar estos modelos para un problema específico. Este estudio utiliza un modelo personalizado de aprendizaje profundo para la clasificación de MRI cerebrales. El modelo propuesto Disease and Spatial Attention Model (DaSAM) consta de dos módulos; (a) el Módulo de Atención a la Enfermedad (DAM), para distinguir entre regiones de imagen con enfermedad y sin enfermedad, y (b) el Módulo de Atención Espacial (SAM), para extraer características importantes. Los experimentos del modelo propuesto se llevaron a cabo en dos conjuntos de datos multiclase disponibles públicamente, los conjuntos de datos de Figshare y Kaggle, donde se logran valores de precisión del 99% y 96%, respectivamente. El modelo propuesto también se probó utilizando validación entre conjuntos de datos, donde se logró una precisión del 85% al entrenarse en el conjunto de datos de Figshare y validarse en el conjunto de datos de Kaggle. La incorporación de los módulos DAM y SAM permitió la funcionalidad de mapeo de características, lo cual resultó útil para resaltar características importantes durante el proceso de toma de decisiones del modelo.