Un enfoque de aprendizaje híbrido-arquitectura para mejorar el reconocimiento de tumores cerebrales
Autores: Dixon, Jose; Akinniyi, Oluwatunmise; Abdelhamid, Abeer; Saleh, Gehad A.; Rahman, Md Mahmudur; Khalifa, Fahmi
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
2024
Un enfoque de aprendizaje híbrido-arquitectura para mejorar el reconocimiento de tumores cerebrales
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería de Software
Palabras clave
Tumores cerebrales
Inteligencia artificial
Clasificación
Características derivadas de resonancia magnética
Clasificador de conjunto
Redes neuronales profundas
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 28
Citaciones: Sin citaciones
La clasificación precisa de los tumores cerebrales es un paso importante para la intervención temprana. Los sistemas de diagnóstico basados en inteligencia artificial (IA) se han utilizado en los últimos años para ayudar a automatizar el proceso y proporcionar un diagnóstico más objetivo y rápido. Este trabajo presenta una arquitectura mejorada basada en IA para una clasificación mejorada de tumores cerebrales. Introducimos una arquitectura híbrida que integra el transformador de visión (ViT) y redes neuronales profundas para crear un clasificador de conjunto, lo que resulta en un marco de clasificación de tumores cerebrales más robusto.
Descripción
La clasificación precisa de los tumores cerebrales es un paso importante para la intervención temprana. Los sistemas de diagnóstico basados en inteligencia artificial (IA) se han utilizado en los últimos años para ayudar a automatizar el proceso y proporcionar un diagnóstico más objetivo y rápido. Este trabajo presenta una arquitectura mejorada basada en IA para una clasificación mejorada de tumores cerebrales. Introducimos una arquitectura híbrida que integra el transformador de visión (ViT) y redes neuronales profundas para crear un clasificador de conjunto, lo que resulta en un marco de clasificación de tumores cerebrales más robusto.