Estudio de técnica para la detección de tumores cerebrales mediante aprendizaje de máquinas

El cáncer cerebral es una de las enfermedades más letales y difíciles de tratar, manifestándose físicamente por la aparición de tumores. Un tumor cerebral es una masa o bulto de células anormales que aparecen en este órgano. La tasa de crecimiento y la ubicación del tumor determinan la forma en que afectan el funcionamiento del sistema nervioso. La etiología de los tumores cerebrales está suficientemente caracterizada y la relación de la contribución de las condiciones hereditarias y ambientales no es clara. La epidemiología descriptiva tradicional ha podido mostrar con exactitud la incidencia y las diferencias en los resultados de estos tumores según factores étnicos, geográficos, ocupacionales e histológicos. Sin embargo, la detección de cáncer en pacientes se ha visto obstaculizada debido al diagnóstico impreciso. Las técnicas de aprendizaje de máquinas han sido utilizadas con el fin de ayudar al médico en su diagnóstico. En particular los procesos de aprendizaje profundo han permitido mejorar los resultados en los últimos años. Siguiendo esta tendencia en este trabajo se presenta la evaluación de la arquitectura de aprendizaje profundo VGG16 e Inception V3 para la detección de tumor cerebral y cinco (VGG16, VGG19, Inception V3, ResNet 152 V2, NasNet) para clasificación de tipos de cáncer cerebral lo que permitirá al Semillero Lún seguir avanzando en esta área.

• Autores: Blanco Padilla, Elizabeth; Salcedo Roa, Jennyfer Andrea
• Tipo de recurso: Trabajo de grado de pregrado
• Fecha de publicación: 2023
• Institución: Universidad de Ibagué
• Repositorio: Repositorio Universidad de Ibagué
• Idioma: spa
• OAI Identifier: oai:repositorio.unibague.edu.co:20.500.12313/4818
• Acceso en línea: https://hdl.handle.net/20.500.12313/4818
• Palabra clave: Tumores cerebrales - Detección; Tumores cerebrales - Detección - Aprendizaje de máquinas; Tumores Cerebrales; Resonancia magnética; Redes neuronales; Aprendizaje profundo; Brain tumors; Magnetic resonance imaging; Neural networks; Deep learning
• Rights: openAccess
• License: http://purl.org/coar/access_right/c_abf2