Estudio comparativo de técnicas basadas en Grad-CAM para la explicabilidad de redes neuronales

Este estudio compara cinco métodos de explicabilidad (Grad-CAM, Grad-CAM++, HeatMap, Masked y LIME) para interpretar las decisiones de dos redes neuronales entrenadas en clasificación de tumores cerebrales (meningioma, glioma, tumor pituitario y control) en imágenes de resonancia magnética. Desarrollado en la Universidad de Ibagué, el proyecto integra herramientas avanzadas en procesamiento de imágenes y redes neuronales EfficientNet y Visual Transformers para mejorar la explicabilidad en el diagnóstico automatizado. Utilizando una base de datos de 10,000 imágenes por clase y técnicas de aumento de datos, se analizan los métodos en términos de exactitud, explicabilidad y facilidad de uso, revelando que Grad-CAM y Grad-CAM++ son más efectivos en la localización precisa de características, mientras que LIME, Masked y HeatMap destacan en representaciones globales. La investigación culmina con una aplicación interactiva que facilita la comparación de métodos, promoviendo la transparencia y confianza en IA para diagnósticos médicos.

• Autores: López Arredondo, Franz; Camargo Espinosa, Juan Felipe
• Tipo de recurso: Trabajo de grado de pregrado
• Fecha de publicación: 2024
• Institución: Universidad de Ibagué
• Repositorio: Repositorio Universidad de Ibagué
• Idioma: spa
• OAI Identifier: oai:repositorio.unibague.edu.co:20.500.12313/4657
• Acceso en línea: https://hdl.handle.net/20.500.12313/4657
• Palabra clave: Redes neuronales; Tumores cerebrales; Resonancia magnética; Explicabilidad; Redes neuronales; Tumores cerebrales; Grad-CAM; Visual Transformers; Deep Learning; Resonancia magnética; Explainability; Neural networks; Brain tumors; Grad-CAM; Visual Transformers; MRI
• Rights: openAccess
• License: http://purl.org/coar/access_right/c_abf2