Evaluación comparativa de modelos de clasificación cnn de tumores Cerebrales en imágenes mri

Abstract

La investigación realiza una evaluación comparativa de modelos de redes neuronales convolucionales (CNNs) para la clasificación de tumores cerebrales en imágenes MRI, en respuesta a la necesidad de sistemas de diagnóstico automatizado que sean precisos y eficientes en el ámbito médico. Se utilizaron 1683 imágenes obtenidas de repositorios públicos que correspondían a adenomas (403), gliomas (459), meningiomas (416) y tejido sano (405). La metodología empleada en esta investigación incluyó cinco fases: adquisición, preprocesamiento con interpolación y corrección de valores atípicos, balance de clases usando SMOTE, aumento de datos, aprendizaje por transferencia y evaluación. Se entrenaron dieciocho arquitecturas de CNNs, de las cuales solo nueve lograban un nivel de precisión ≥80%. BrainNet-7 logró la mayor precisión (99,2%), seguido de EfficientNet- B2 (98,7%) y Swin Transformer Tiny (98,0%). Por otro lado, la validación mediante las métricas estándar y Grad-CAM mostró que BrainNet-7 y EfficientNet-B2 son los modelos que tienen relevancia clínica.

The research conducts a comparative evaluation of convolutional neural network (CNN) models for the classification of brain tumors in MRI images, in response to the need for accurate and efficient automated diagnostic systems in the medical field. A total of 1,683 images obtained from public repositories were used, corresponding to adenomas (403), gliomas (459), meningiomas (416), and healthy tissue (405). The methodology used in this research included five phases: acquisition, preprocessing with interpolation and outlier correction, class balancing using SMOTE, data augmentation, transfer learning, and evaluation. Eighteen CNN architectures were trained, of which only nine achieved an accuracy level of ≥80%. BrainNet-7 achieved the highest accuracy (99.2%), followed by EfficientNet-B2 (98.7%) and Swin Transformer Tiny (98.0%). On the other hand, validation using standard metrics and Grad-CAM showed that BrainNet-7 and EfficientNet-B2 are the models with clinical relevance.