Detección y clasificación de tumores cerebrales mediante aprendizaje profundo y detección compresiva en imágenes de resonancia magnética

• Suárez-Jaimes, Wiliam ^[1] ; Mendoza, Luis Enrique ^[1] ; Jaimes-Cerveleón, Leonor ^[1] ; Nieto-Sánchez, Zulmary ^[2]
  1. [1] Universidad de Pamplona

     Universidad de Pamplona

     Colombia

     
  2. [2] Universidad Francisco de Paula Santander

     Universidad Francisco de Paula Santander

     Colombia

     
• Localización: Mundo FESC, ISSN-e 2216-0388, ISSN 2216-0353, Vol. 11, Nº. Extra 4, 2021, págs. 40-55
• Idioma: español
• Títulos paralelos:
  • Detection and Classification of Brain tumors using Deep Learning and Compressive Sensing in magnetic resonance imaging
• Enlaces
  • Texto completo
• Resumen
  • español

    En este artículo presenta una nueva metodología para la detección de tumores cerebrales en imágenes de resonancia magnética. Se utilizó la base de datos FIGSHARE de la Universidad de Medicina del Sur, Guangzhou, China. Se utilizaron técnicas de morfología matemática para el acondicionamiento de la imagen con el fin de detectar el área de interés en la imagen. Además, se desarrolló un algoritmo para determinar el tipo de corte (axial, sagital o coronal). Para este procedimiento se utilizó la técnica matemática estadística k-means. Asimismo, se realizó una extracción de patrones a partir de cada imagen utilizando la técnica de detección compresiva (CS). Para la detección, segmentación y clasificación de los tumores se implementó el aprendizaje profundo basado en redes neuronales convolucionales aplicando R-CNN (regiones con redes convolucionales). Los resultados obtenidos en la etapa de validación lograron una clasificación y detección de tumores cerebrales en imágenes de resonancia magnética con altos porcentajes de precisión del 87,5% y 95,2%. Los datos se dividieron en un 65% para el entrenamiento de la red, un 18% para la prueba y un 17% para el proceso de validación. Finalmente, aplicando deep learning y compressive sensing, se detectaron y clasificaron los tumores cerebrales en tres tipos diferentes: meningioma, glioma y pituitaria con un porcentaje de precisión del 87,5% y 95,2%.

  • English

    In this article he presents a new methodology for the detection of brain tumors in magnetic resonance imaging. The FIGSHARE database of the University of Southern Medicine, Guangzhou, China, was used. Mathematical morphology techniques were used for image conditioning to detect the area of interest in the image. Additionally, an algorithm was developed to determine the type of slice (axial, sagittal or coronal). For this procedure, the statistical mathematical technique k-means was used. Likewise, a pattern extraction was performed from each image using compressive sensing (CS). For the detection, segmentation and classification of the tumors, Deep learning based on convolutional neuronal networks was implemented applying R-CNN (regions with convolutional networks). The results obtained in the validation stage achieved a classification and detection of brain tumors in magnetic resonance images with high percentages of accuracy of 87.5% and 95.2%. The data was divided into 65% for network training, 18% for the test and 17% for the validation process. Finally, by applying deep learning and compressive sensing, brain tumors were detected and classified into three different types: meningioma, glioma, and pituitary with an accuracy rate of 87.5% and 95.2%