Deep learning aplicado para la detección de hemorragias y tumores cerebrales
DOI:
https://doi.org/10.5380/atoz.v10i3.81284Palabras clave:
Deep Learning, Redes convolucionales, Aplicaciones prácticas, Bioinformática, Tumores cerebralesResumen
Introducción: Un problema que afecta a la salud en Chile se refiere a las patologías cerebrales, toma de exámenes y el alto tiempo de espera para la obtención de los resultados (retrasando el diagnóstico y tratamiento). Actualmente, los exámenes se envían al extranjero para ser procesados y el tiempo de espera juega en contra del paciente. Dada esta realidad, nuestro documento propone un modelo de deep learning para la predicción de imágenes cerebrales que permita obtener un diagnóstico previo, pero no definitivo, en virtud de disminuir el tiempo del proceso y, de ser necesario, priorizar a los pacientes cuya vida estaría potencialmente en riesgo. Métodos: El desarrollo utilizó un enfoque RAD iterativo y las imágenes se recogieron de Kaggle. Adicionalmente, se redimensiona el dataset para normalizar el tamaño y generamos nuevas imágenes utilizando “data augmentation”. Las imágenes fueron procesadas en redes convolucionales, indagando en distintas configuraciones para la red, su optimizador y la función de activación, hasta llegar a un modelo que consideramos razonable. Resultados: Con el modelo definitivo, los resultados superan el 80% de precisión en las predicciones y descubrimos que separar patologías (hemorragias y tumores) fue crucial para este resultado. Conclusiones: Hemos logrado una herramienta de diagnóstico previo, pero se debe continuar la investigación en virtud de aumentar la precisión. Un próximo paso considera ampliar el dataset con imágenes de otras fuentes y separar el modelo para analizar patologías de forma independiente. Motivamos a seguir investigando ya que este tipo de apoyo puede contribuir a salvar vidas.
Citas
Aggarwal, C. (2018). Neural Networks and Deep Learning a Textbook. Yorktown Heights, USA; Springer International Publishing AG.
Ari, A. & Hanbay, D. (2018). Deep learning based brain tumor classification and detection system. Turkish journal of Electrical Engineering & Computer Sciences. 26. 2275-2286. doi: http://dx.doi.org/10.3906/elk-1801-8.
Chollet, F. (2017). Deep Learning with Python. Shelter Island, New York, USA; Manning Publications.
Gholamalinejad, H. & Khosravi, H. (2020). Pooling Methods in Deep Neural Networks, a Review. Computing Research Repository (CoRR). Recuperado de https://arxiv.org/abs/2009.07485.
Glorot, X., Bordes, A. & Bengio, Y. (2010). Deep Sparse Rectifier Neural Networks. Journal of Machine Learning Research. 15. Recuperado de https://proceedings.mlr.press/v15/glorot11a/glorot11a.pdf
Hassan, M. (2018). VGG16 – Convolutional Network for Classification and Detection. Recuperado de https://neurohive.io/en/popular-networks/vgg16/
Knoll, F. et al. (2020). Deep-Learning Methods for Parallel Magnetic Resonance Imaging Reconstruction: A Survey of the Current Approaches, Trends, and Issues. IEEE Signal Processing Magazine, 37(1), 128-140. doi: https://doi.org/10.1109/MSP.2019.2950640
Lecun, Y. (1989). Generalization and network design strategies. Zurich, Switzerland: Elsevier.
McCulloch, W.S. & Pitts, W. (1943). A logical calculus of the ideas immanent in nervous activity. Bulletin of Mathematical Biophysics. 5, 115–133. doi: https://doi.org/10.1007/BF02478259
O'Shea, K., & Nash, R. (2015). An Introduction to Convolutional Neural Networks. Computing Research Repository (CoRR). Recuperado de https://arxiv.org/abs/1511.08458
S. J. Pan, S. J., & Yang, Q. (2010). A Survey on Transfer Learning. IEEE Transactions on Knowledge and Data Engineering. 22(10), 1345-1359. doi: https://doi.org/10.1109/TKDE.2009.191
Petersen, P. et al. (2020). Topological properties of the set of functions generated by neural networks of fixed size. Computing Research Repository (CoRR). Recuperado de https://arxiv.org/abs/1806.08459
Petersen, P., & Voigtländer, F. (2017). Optimal approximation of piecewise smooth functions using deep ReLU neural networks. Neural networks: the official journal of the International Neural Network Society. doi: http://dx.doi.org/10.1016/j.neunet.2018.08.019
Sarkar, D. & Bali, R. (2018). Hands-On Transfer Learning with Python. Shelter Island, New York, USA; Manning Publications.
Schmidhuber, J. (2014). Deep Learning in Neural Networks: An Overview. Computing Research Repository (CoRR). Recuperado de https://arxiv.org/abs/1404.7828
Simonyan, K. & Zisserman, A. (2015). Very Deep Convolutional Networks for large-scale image recognition. Computing Research Repository (CoRR). Recuperado de https://arxiv.org/abs/1409.1556
Sorias O. et al. (2009). Handbook of Research On Machine Learning Applications and Trends: Algorithms, Methods and Techniques. Hershey, PA, USA; Information Science Reference - Imprint of: IGI Publishing.
Zhantao, C. et al. (2017). Breast Tumor Detection in Ultrasound Images Using Deep Learning. Lecture Notes in Computer Science, 10530. Springer, Cham. doi: https://doi.org/10.1007/978-3-319-67434-6_14
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
La revista AtoZ es una revista científica de acceso abierto y los derechos de autor de artículos y entrevistas pertenecen a sus respectivos autores/encuestados. Los autores otorgan a la AtoZ el direito de incluir el material publicado (revisado por pares/pos-print) en em sistemas/herramientas de indización, agregadores o curadores.
Los autores tienen permiso y se les anima a depositar sus artículos en sus páginas personales, depósitos y/o portales institucionales anteriormente (pre-print) y posteriormente (post-print) a la publicación en esa Revista. Se pide, si possible, que se apunte la referencia bibliográfica del artículo (incluyendose la URL) en base a la AtoZ.
La AtoZ es sello verde por Diadorim/IBICT.
Todo el contenido de la revista (incluyendo las instrucciones, modelos y política editorial) a menos que se indique otra cosa, están bajo una Licencia de Atribución de Bienes Comunes Creativos (CC) 4.0 Internacional.
Cuando los artículos son publicados por esta revista, se pueden compartir (copiar y redistribuir el material en cualquier soporte o formato para cualquier propósito, incluso comercial) y adaptar (remezclar, transformar y crear a partir del material para cualquier propósito, incluso si es comercial). Debe dar el crédito correspondiente, proporcionar un enlace a la licencia e indicar si se realizaron cambios.
La AtoZ no cobra cualquier tasas por la sumisión y/o procesamiento y/o la publicación de artículos.
