SALIENCY-DRIVEN CONVOLUTIONAL NEURAL NETWORK FOR BRAIN TUMOR DETECTION
não foram informadas palavras-chave.
O processo de diagnóstico de tumores cerebrais por ressonância magnética (RM) é muitas vezes demorado. Assim, uma análise rápida através de um sistema automatizado pode ajudar a melhorar as possibilidades de tratamento e otimizar os recursos hospitalares. Este trabalho propõe um método para a classificação de tumores cerebrais por meio da pré-seleção da região de tumor. Estimou-se a região de interesse usando algoritmos de atenção visual e em seguida as regiões com maior nível de energia foram inseridas em uma rede neural que as classificou quanto à existência de tumor cerebral. Pré-selecionando a região de interesse, em vez de usar a imagem inteira, o framework teve uma acurácia de classificação final de 91,68%, 92,58%, 92,69% e 93,4% com os modelos Resnet18, Resnet34, VGG16 e Alexnet, respectivamente. Uma vez que o espaço dimensional do imagem de entrada é reduzida, as redes neurais são capazes de capturar detalhes adicionais das regiões do tumor durante a etapa de treinamento. Este estudo demonstra a importância dos mapas de saliência para a identificação de regiões tumorais em imagens de ressonância magnética. Adicionalmente investigou-se o efeito de 5 artefatos nas métricas de classificação de uma rede neural: ruído Gaussiano, blurring, ringing, contraste e ghosting. Essa análise contou com a geração de 20 níveis de degradação com cada um dos 5 artefatos e o registro dos resultados de acurácia com cada um destes níveis. Concluiu-se que no cenário simulado com os artefatos: de ruído Gaussiano, blurring e ringing geraram deterioração houve um decréscimo exponencial das métricas de classificação, ao passo que as alterações gradativas de contraste e ghosting, diferentemente, geraram um comportamento aleatórios das métricas de classificação classificação.