Enfoque de Aprendizaje Profundo Explicable para la Clasificación y Localización de Tumores en Imágenes de Resonancia Magnética Cerebral Multiclase Utilizando Mapeo de Activación de Clase Ponderado por Gradiente
Autores: Hussain, Tahir; Shouno, Hayaru
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Enfoque de Aprendizaje Profundo Explicable para la Clasificación y Localización de Tumores en Imágenes de Resonancia Magnética Cerebral Multiclase Utilizando Mapeo de Activación de Clase Ponderado por Gradiente
Categoría
Gestión y administración
Subcategoría
Gestión de la tecnología y la inovación
Palabras clave
Tumores cerebrales
Diagnóstico
Resonancia magnética
Radiólogo
Aprendizaje profundo
Clasificación
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 1
Citaciones: Sin citaciones
Los tumores cerebrales (TC) representan una preocupación considerable para la salud global debido a sus altas tasas de mortalidad en diversos grupos de edad. Un retraso en el diagnóstico de los TC puede llevar a la muerte. Por lo tanto, un diagnóstico oportuno y preciso a través de la resonancia magnética (RM) es crucial. Un radiólogo toma la decisión final para identificar el tumor a través de la RM. Sin embargo, las evaluaciones manuales son defectuosas, consumen tiempo y dependen de radiólogos o neurólogos experimentados para identificar y diagnosticar un TC. Los modelos de clasificación asistidos por computadora a menudo carecen de rendimiento y explicabilidad para la traducción clínica, particularmente en la investigación en neurociencia, lo que resulta en que los médicos perciban los resultados del modelo como inadecuados debido al modelo de caja negra. El aprendizaje profundo explicable (XDL) puede avanzar en la investigación neurocientífica y en tareas de atención médica. Para mejorar la explicabilidad del aprendizaje profundo (AP) y proporcionar apoyo diagnóstico, proponemos un nuevo modelo de clasificación y localización, combinando métodos existentes para mejorar la explicabilidad del AP y proporcionar apoyo diagnóstico. Adoptamos un grupo de geometría visual preentrenado (VGG-19 preentrenado), VGG-19 desde cero y un modelo EfficientNet que ejecuta una forma modificada de los algoritmos de mapeo de activación de clase (CAM), mapeo de activación de clase ponderado por gradiente (Grad-CAM) y Grad-CAM++. Estos algoritmos, introducidos en una red neuronal convolucional (CNN), descubren una parte crucial de la clasificación y pueden proporcionar una interfaz explicativa para diagnosticar TC. Los resultados experimentales demuestran que el VGG-19 preentrenado con Grad-CAM proporciona mejores resultados de clasificación y visualización que el VGG-19 desde cero, EfficientNet y técnicas de AP de vanguardia en cuanto a evaluaciones visuales y cuantitativas con mayor precisión. El enfoque propuesto puede contribuir a reducir la incertidumbre diagnóstica y validar la clasificación de TC.
Descripción
Los tumores cerebrales (TC) representan una preocupación considerable para la salud global debido a sus altas tasas de mortalidad en diversos grupos de edad. Un retraso en el diagnóstico de los TC puede llevar a la muerte. Por lo tanto, un diagnóstico oportuno y preciso a través de la resonancia magnética (RM) es crucial. Un radiólogo toma la decisión final para identificar el tumor a través de la RM. Sin embargo, las evaluaciones manuales son defectuosas, consumen tiempo y dependen de radiólogos o neurólogos experimentados para identificar y diagnosticar un TC. Los modelos de clasificación asistidos por computadora a menudo carecen de rendimiento y explicabilidad para la traducción clínica, particularmente en la investigación en neurociencia, lo que resulta en que los médicos perciban los resultados del modelo como inadecuados debido al modelo de caja negra. El aprendizaje profundo explicable (XDL) puede avanzar en la investigación neurocientífica y en tareas de atención médica. Para mejorar la explicabilidad del aprendizaje profundo (AP) y proporcionar apoyo diagnóstico, proponemos un nuevo modelo de clasificación y localización, combinando métodos existentes para mejorar la explicabilidad del AP y proporcionar apoyo diagnóstico. Adoptamos un grupo de geometría visual preentrenado (VGG-19 preentrenado), VGG-19 desde cero y un modelo EfficientNet que ejecuta una forma modificada de los algoritmos de mapeo de activación de clase (CAM), mapeo de activación de clase ponderado por gradiente (Grad-CAM) y Grad-CAM++. Estos algoritmos, introducidos en una red neuronal convolucional (CNN), descubren una parte crucial de la clasificación y pueden proporcionar una interfaz explicativa para diagnosticar TC. Los resultados experimentales demuestran que el VGG-19 preentrenado con Grad-CAM proporciona mejores resultados de clasificación y visualización que el VGG-19 desde cero, EfficientNet y técnicas de AP de vanguardia en cuanto a evaluaciones visuales y cuantitativas con mayor precisión. El enfoque propuesto puede contribuir a reducir la incertidumbre diagnóstica y validar la clasificación de TC.