Un Nuevo Enfoque de Aprendizaje Profundo Inspirado en la Biología para el Diagnóstico del Cáncer de Hígado
Autores: Ghoniem, Rania M.
Idioma: Inglés
Editor: MDPI
Año: 2020
Acceso abierto
Artículo científico
2020
Un Nuevo Enfoque de Aprendizaje Profundo Inspirado en la Biología para el Diagnóstico del Cáncer de Hígado
Categoría
Gestión y administración
Subcategoría
Gestión de la tecnología y la inovación
Palabras clave
Investigación
Diagnóstico asistido por computadora
Cáncer de hígado
Modelos de aprendizaje profundo
Conceptos bioinspirados
Algoritmo de segmentación
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 1
Citaciones: Sin citaciones
La investigación actual sobre el diagnóstico asistido por computadora (CAD) del cáncer de hígado se basa en métodos tradicionales de ingeniería de características, que tienen varias desventajas, incluyendo características redundantes y alto costo computacional. Los modelos recientes de aprendizaje profundo superan estos problemas al capturar implícitamente estructuras complejas a partir de grandes datos de imágenes médicas. Sin embargo, todavía se ven afectados por los hiperparámetros y la topología de la red. Por lo tanto, el estado del arte en esta área puede ser optimizado aún más integrando conceptos bioinspirados en modelos de aprendizaje profundo. Este trabajo propone un enfoque novedoso de aprendizaje profundo bioinspirado para optimizar los resultados predictivos del cáncer de hígado. Este enfoque contribuye a la literatura de dos maneras. En primer lugar, se propone un nuevo algoritmo de segmentación híbrido para extraer lesiones hepáticas de imágenes de tomografía computarizada (TC) utilizando la red SegNet, la red UNet y la optimización de colonias de abejas artificiales (ABC), a saber, SegNet-UNet-ABC. Este algoritmo utiliza SegNet para separar el hígado de la TC abdominal, luego se utiliza UNet para extraer lesiones del hígado. Paralelamente, el algoritmo ABC se hibrida con cada red para ajustar sus hiperparámetros, ya que afectan en gran medida el rendimiento de la segmentación. En segundo lugar, se propone un algoritmo híbrido del modelo LeNet-5 y el algoritmo ABC, a saber, LeNet-5/ABC, como extractor de características y clasificador de lesiones hepáticas. El algoritmo LeNet-5/ABC utiliza ABC para seleccionar la topología óptima para construir la red LeNet-5, ya que la estructura de la red afecta el tiempo de aprendizaje y la precisión de clasificación. Para evaluar el rendimiento de los dos algoritmos propuestos, se han realizado comparaciones con los algoritmos de última generación en segmentación y clasificación de lesiones hepáticas. Los resultados revelan que SegNet-UNet-ABC es superior a otros algoritmos comparados en cuanto al índice de Jaccard, índice de Dice, coeficiente de correlación y tiempo de convergencia. Además, el algoritmo LeNet-5/ABC supera a otros algoritmos en cuanto a especificidad, puntuación F1, precisión y tiempo computacional.
Descripción
La investigación actual sobre el diagnóstico asistido por computadora (CAD) del cáncer de hígado se basa en métodos tradicionales de ingeniería de características, que tienen varias desventajas, incluyendo características redundantes y alto costo computacional. Los modelos recientes de aprendizaje profundo superan estos problemas al capturar implícitamente estructuras complejas a partir de grandes datos de imágenes médicas. Sin embargo, todavía se ven afectados por los hiperparámetros y la topología de la red. Por lo tanto, el estado del arte en esta área puede ser optimizado aún más integrando conceptos bioinspirados en modelos de aprendizaje profundo. Este trabajo propone un enfoque novedoso de aprendizaje profundo bioinspirado para optimizar los resultados predictivos del cáncer de hígado. Este enfoque contribuye a la literatura de dos maneras. En primer lugar, se propone un nuevo algoritmo de segmentación híbrido para extraer lesiones hepáticas de imágenes de tomografía computarizada (TC) utilizando la red SegNet, la red UNet y la optimización de colonias de abejas artificiales (ABC), a saber, SegNet-UNet-ABC. Este algoritmo utiliza SegNet para separar el hígado de la TC abdominal, luego se utiliza UNet para extraer lesiones del hígado. Paralelamente, el algoritmo ABC se hibrida con cada red para ajustar sus hiperparámetros, ya que afectan en gran medida el rendimiento de la segmentación. En segundo lugar, se propone un algoritmo híbrido del modelo LeNet-5 y el algoritmo ABC, a saber, LeNet-5/ABC, como extractor de características y clasificador de lesiones hepáticas. El algoritmo LeNet-5/ABC utiliza ABC para seleccionar la topología óptima para construir la red LeNet-5, ya que la estructura de la red afecta el tiempo de aprendizaje y la precisión de clasificación. Para evaluar el rendimiento de los dos algoritmos propuestos, se han realizado comparaciones con los algoritmos de última generación en segmentación y clasificación de lesiones hepáticas. Los resultados revelan que SegNet-UNet-ABC es superior a otros algoritmos comparados en cuanto al índice de Jaccard, índice de Dice, coeficiente de correlación y tiempo de convergencia. Además, el algoritmo LeNet-5/ABC supera a otros algoritmos en cuanto a especificidad, puntuación F1, precisión y tiempo computacional.