Resumen - Red Profunda del Cerebro: Un Modelo de Aprendizaje Profundo Optimizado para la Detección de Tumores Cerebrales en Imágenes de RMN Utilizando EfficientNetB0 y ResNet50 con Aprendizaje Transferido

Red Profunda del Cerebro: Un Modelo de Aprendizaje Profundo Optimizado para la Detección de Tumores Cerebrales en Imágenes de RMN Utilizando EfficientNetB0 y ResNet50 con Aprendizaje Transferido

2025-07-09 16:42:26

{"Daniel Onah","Ravish Desai"}

{eess.IV,cs.CV}

DeepBrainNet es un sistema de aprendizaje profundo novedoso diseñado para optimizar la detección de tumores cerebrales en imágenes de RMN utilizando las arquitecturas EfficientNetB0 y ResNet50 combinadas con aprendizaje transferido. Esta investigación tiene como objetivo abordar los desafíos de alcanzar una alta precisión y eficiencia computacional en la detección de tumores cerebrales. DeepBrainNet aprovecha las fortalezas de las arquitecturas EfficientNetB0 y ResNet50, con EfficientNetB0 que mejora la eficiencia del modelo mediante la utilización de convoluciones separables en profundidad y ResNet50 que proporciona profundidad y estabilidad a través de conexiones residuales. Al integrar estos componentes, DeepBrainNet asegura tanto la eficiencia computacional como la alta precisión. El sistema demuestra una alta precisión del 88%, un F1-score ponderado del 88.75% y una puntuación macro AUC-ROC del 98.17%, superando a los métodos de vanguardia existentes. El modelo propuesto tiene un gran potencial como herramienta valiosa para sistemas de apoyo a la toma de decisiones clínicas, avanzando en el estado del arte de la IA médica. DeepBrainNet utiliza el aprendizaje transferido para aprovechar las características preentrenadas de ResNet50 en conjuntos de datos a gran escala como ImageNet y ajustarlas para la clasificación de tumores cerebrales en escaneos de RMN. Este enfoque permite que el sistema se adapte rápidamente a la tarea específica de clasificación de tumores cerebrales, resultando en una alta precisión y generalización. EfficientNetB0 además reduce el número de parámetros y el costo computacional mientras preserva la capacidad del modelo para aprender representaciones de características complejas, llevando a un sistema ligero y eficiente. El estudio compara el rendimiento de DeepBrainNet con los métodos de vanguardia existentes utilizando conjuntos de datos de RMN disponibles públicamente y muestra que consistently supera a los modelos existentes en términos de precisión de clasificación, precisión, recall y eficiencia computacional. Esto resalta el potencial de DeepBrainNet como una herramienta fiable y eficiente para la detección de tumores cerebrales, contribuyendo finalmente a una mejora en los resultados de los pacientes y las estrategias de tratamiento. La integración de aprendizaje transferido, EfficientNetB0 y las arquitecturas ResNet50 convierte a DeepBrainNet en una herramienta poderosa y versátil para tareas de análisis y clasificación de imágenes médicas.