Multi-método de diagnóstico de imágenes de TC para la detección rápida de hemorragias intracraneales basado en el aprendizaje profundo y híbrido
Autores: Mohammed, Badiea Abdulkarem; Senan, Ebrahim Mohammed; Al-Mekhlafi, Zeyad Ghaleb; Rassem, Taha H.; Makbol, Nasrin M.; Alanazi, Adwan Alownie; Almurayziq, Tariq S.; Ghaleb, Fuad A.; Sallam, Amer A.
Idioma: Inglés
Editor: MDPI
Año: 2022
Acceso abierto
Artículo científico
2022
Multi-método de diagnóstico de imágenes de TC para la detección rápida de hemorragias intracraneales basado en el aprendizaje profundo y híbrido
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Eléctrica y Electrónica
Palabras clave
Hemorragia intracraneal
Imágenes de TC
Técnicas de inteligencia artificial
Modelos de aprendizaje profundo
Algoritmo SVM
Redes neuronales artificiales
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 23
Citaciones: Sin citaciones
El sangrado intracraneal se considera un tipo de enfermedad que afecta al cerebro y es muy peligroso, con casos de alta mortalidad si no hay un diagnóstico rápido y un tratamiento oportuno. Las imágenes de TC son uno de los métodos más importantes para diagnosticar hemorragias intracraneales. Las imágenes de TC contienen enormes cantidades de información, requiriendo mucha experiencia y tiempo para un análisis y diagnóstico adecuados. Por lo tanto, las técnicas de inteligencia artificial proporcionan un mecanismo automático para evaluar las imágenes de TC y realizar un diagnóstico con alta precisión y ayudar a los radiólogos a tomar sus decisiones diagnósticas. En este estudio, las imágenes de TC para la detección rápida de hemorragias intracraneales son diagnosticadas por tres sistemas propuestos con diversas metodologías y materiales, donde cada sistema contiene más de una red. El primer sistema es propuesto por tres modelos de aprendizaje profundo preentrenados, que son GoogLeNet, ResNet-50 y AlexNet. El segundo sistema propuesto que utiliza una tecnología híbrida consta de dos partes: la primera parte son los modelos GoogLeNet, ResNet-50 y AlexNet para extraer mapas de características, mientras que la segunda parte es el algoritmo SVM para clasificar los mapas de características. El tercer sistema propuesto utiliza redes neuronales artificiales (ANNs) basadas en las características de los modelos GoogLeNet, ResNet-50 y AlexNet, cuyas dimensiones se reducen mediante un algoritmo de análisis de componentes principales (PCA), y luego las características de baja dimensión se combinan con las características de los algoritmos GLCM y LBP. Todos los sistemas propuestos lograron resultados prometedores en el diagnóstico de imágenes de TC para la detección rápida de hemorragias intracraneales. La red ANN basada en la fusión de la característica profunda de AlexNet con las características de GLCM y LBP alcanzó una precisión del 99.3%, una precisión del 99.36%, una sensibilidad del 99.5%, una especificidad del 99.57% y un AUC del 99.84%.
Descripción
El sangrado intracraneal se considera un tipo de enfermedad que afecta al cerebro y es muy peligroso, con casos de alta mortalidad si no hay un diagnóstico rápido y un tratamiento oportuno. Las imágenes de TC son uno de los métodos más importantes para diagnosticar hemorragias intracraneales. Las imágenes de TC contienen enormes cantidades de información, requiriendo mucha experiencia y tiempo para un análisis y diagnóstico adecuados. Por lo tanto, las técnicas de inteligencia artificial proporcionan un mecanismo automático para evaluar las imágenes de TC y realizar un diagnóstico con alta precisión y ayudar a los radiólogos a tomar sus decisiones diagnósticas. En este estudio, las imágenes de TC para la detección rápida de hemorragias intracraneales son diagnosticadas por tres sistemas propuestos con diversas metodologías y materiales, donde cada sistema contiene más de una red. El primer sistema es propuesto por tres modelos de aprendizaje profundo preentrenados, que son GoogLeNet, ResNet-50 y AlexNet. El segundo sistema propuesto que utiliza una tecnología híbrida consta de dos partes: la primera parte son los modelos GoogLeNet, ResNet-50 y AlexNet para extraer mapas de características, mientras que la segunda parte es el algoritmo SVM para clasificar los mapas de características. El tercer sistema propuesto utiliza redes neuronales artificiales (ANNs) basadas en las características de los modelos GoogLeNet, ResNet-50 y AlexNet, cuyas dimensiones se reducen mediante un algoritmo de análisis de componentes principales (PCA), y luego las características de baja dimensión se combinan con las características de los algoritmos GLCM y LBP. Todos los sistemas propuestos lograron resultados prometedores en el diagnóstico de imágenes de TC para la detección rápida de hemorragias intracraneales. La red ANN basada en la fusión de la característica profunda de AlexNet con las características de GLCM y LBP alcanzó una precisión del 99.3%, una precisión del 99.36%, una sensibilidad del 99.5%, una especificidad del 99.57% y un AUC del 99.84%.