Clasificación de imágenes de cáncer de cerebro mediante aprendizaje profundo

Abstract

En este trabajo se realiza un estudio sobre el cáncer de cerebro con la finalidad de poder identificar el tipo de tumor a través de una red neuronal convolucional. Las aplicaciones de este trabajo son claves para la comunidad sanitaria debido a que la predicción del tipo de tumor es esencial para determinar las opciones de tratamiento. Para poder realizar las predicciones del tumor se han utilizado 3064 imágenes de 233 pacientes con 3 tipos de tumores diferentes: meningioma, gliomas y tumor pituitario. Para construir el modelo de la red neuronal se ha realizado previamente la exploración de los datos, seguido del preprocesamiento que ha consistido en normalizar los datos y bajar el tiempo de procesamiento de las imágenes disminuyendo la resolución, seguidamente se ha utilizado la librería ¿Keras¿ de Python para la construcción del modelo y por último, se ha realizado el análisis de resultados. Con la construcción de la red neuronal convolucional se ha obtenido una exactitud del 93% sobre la predicción del tipo de tumor. Estos resultados los consideramos óptimos debido a que se ha obtenido una precisión elevada con un número muy limitado de imágenes de IMR. Podemos concluir que el modelo obtenido puede dar soporte a los profesionales sanitarios para la predicción de estos 3 tipos de tumores con una mayor seguridad.

En aquest treball es realitza un estudi sobre el càncer de cervell amb la finalitat de poder identificar el tipus de tumor a través d'una xarxa neuronal convolucional. Les aplicacions d'aquest treball són claus per a la comunitat sanitària pel fet que la predicció de la mena de tumor és essencial per a determinar les opcions de tractament. Per a poder realitzar les prediccions del tumor s'han utilitzat 3064 imatges de 233 pacients amb 3 tipus de tumors diferents: meningioma, gliomes i tumor pituïtari. Per a construir el model de la xarxa neuronal s'ha realitzat prèviament l'exploració de les dades, seguit del preprocessament que ha consistit a normalitzar les dades i baixar el temps de processament de les imatges disminuint la resolució, seguidament s'ha utilitzat la llibreria ¿Keras¿ de Python per a la construcció del model i finalment, s'ha realitzat l'anàlisi de resultats. Amb la construcció de la xarxa neuronal convolucional s'ha obtingut una exactitud del 93% sobre la predicció de la mena de tumor. Aquests resultats els considerem òptims pel fet que s'ha obtingut una precisió elevada amb un número molt limitat d'imatges de IMR. Podem concloure que el model obtingut pot donar suport als professionals sanitaris per a la predicció d'aquests 3 tipus de tumors amb una major seguretat.

In this work a study on brain cancer is carried out in order to identify the type of tumor through a convolutional neural network. The applications of this work are key for the health community because the prediction of tumor type is essential to prediction of tumor type is essential to determine treatment options. In order to perform the tumor predictions, 3064 images from 233 patients with 3 different tumor types were used: meningioma, gliomas and pituitary tumor, gliomas and pituitary tumor. In order to build the neural network model, the data were first scanned, followed by preprocessing, which consisted of normalizing the data and reducing the processing time of the images by decreasing the resolution. The Python "Keras" library was then used to build the model, and finally, the results were analyzed. With the construction of the convolutional neural network, an accuracy of 93% has been obtained on the prediction of the type of tumor type. We consider these results to be optimal because a high accuracy has been obtained with a very limited number of IMR images. We can conclude that the model obtained can support health professionals in predicting these 3 types of tumors with greater certainty.