Preprocesamiento de imágenes y sensibilidad a los optimizadores: implicaciones para las redes neuronales convolucionales en el diagnóstico de tumores cerebrales

Summary

Este estudio emplea un marco controlado para evaluar las canalizaciones de preprocesamiento y optimizadores dentro de una arquitectura fija, con el objetivo de determinar cómo el preprocesamiento clásico afecta a los optimizadores y a las Redes Neuronales Convolucionales (CNN) en la clasificación de tumores cerebrales.

Abstract

La clasificación de tumores cerebrales mediante resonancia magnética (IRM) presenta desafíos debido a las variaciones en el tamaño, forma y textura del tumor. Aunque los métodos tradicionales de preprocesamiento de imágenes se emplean comúnmente para mejorar la calidad de entrada, su impacto en el comportamiento de los optimizadores y en el rendimiento de las CNN aún no ha sido investigado a fondo. Esta investigación examina el efecto del preprocesamiento en la convergencia, generalización y precisión de clasificación entre varios optimizadores. Utilizamos un conjunto de datos de Kaggle disponible públicamente para crear dos canales de preprocesamiento: un pipeline base que solo redimensiona imágenes y un pipeline tradicional que convierte imágenes a escala de grises, las difumina y aplica filtrado morfológico. Luego probamos cómo estas canalizaciones afectan a tres optimizadores: Adam, Propagación Cuadrática Media Raíz (RMSProp) y Descenso Estocástico del Gradiente (SGD). Para separar las variables del protocolo, se utiliza una arquitectura CNN fija en todo el sistema. El rendimiento se evalúa utilizando precisión, exactitud, recuerdo y puntuación F1, validados mediante una validación cruzada de cinco vías. Los resultados muestran que el preprocesamiento base proporciona consistentemente mayor precisión y una convergencia más estable entre todos los optimizadores, con RMSProp y SGD logrando la mayor precisión media del 99,53% bajo la validación cruzada de cinco veces. Los hallazgos abordan el efecto poco estudiado del preprocesamiento en el rendimiento del optimizador, subrayando la necesidad de estrategias de entrenamiento conscientes del preprocesamiento para mejorar la robustez y la interpretabilidad en el análisis de imágenes médicas.

Introduction

La clasificación de tumores cerebrales mediante imagen por resonancia magnética (RM) es una tarea crucial en neurooncología, donde un diagnóstico precoz y preciso influye directamente en la planificación del tratamiento y en los resultados del^{paciente 1}. Las CNN se han convertido en el enfoque dominante para automatizar este proceso debido a su capacidad para aprender características jerárquicas espaciales y texturales directamente a partir de datos de imagen^{en bruto 2}. Sin embargo, la calidad de los datos de entrada sigue siendo un factor clave que determina el rendimiento del modelo. L....

Protocol

La Figura 1 muestra una visión general del flujo de trabajo del Protocolo. Este estudio examina el efecto del preprocesamiento clásico de imágenes en el rendimiento de las CNN y el comportamiento de los optimizadores en la clasificación de tumores cerebrales mediante resonancia magnética. El protocolo abarca la preparación de conjuntos de datos, las canalizaciones de preprocesamiento de doble camino, la arquitectura del modelo, la configuración del optimizador, la evaluación del rendimiento y la validación de la interpretabilidad. Todos los experimentos se ejecutaron en Python 3.10.12 usando Keras versión....

Results

Optimizador Adam - Preprocesamiento de línea base:
La Figura 2 ilustra el rendimiento de un modelo de clasificación de tumores cerebrales utilizando el optimizador Adam con preprocesamiento basal. La matriz de confusión muestra una separación casi perfecta entre casos tumorales y no tumorales, con solo 8 clasificaciones erróneas de 600 muestras. El informe de clasificación adjunto lo confirma con precisión, recuerdo y puntuaciones F1, to.......

Discussion

El éxito de la clasificación de tumores cerebrales basada en CNN en este estudio estuvo impulsado principalmente por dos componentes del protocolo: el diseño del preprocesamiento y la selección del optimizador. El preprocesamiento de línea base —que consiste únicamente en el redimensionamiento de la imagen— preservó la intensidad nativa de los píxeles y la estructura espacial, permitiendo al modelo aprender características clínicamente relevantes. En contraste, los métodos tradicionales .......

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
API Wrapper	Keras	2.13.1(RRID:SCR_016345)	API de alto nivel para arquitectura y formación CNN
Herramienta de Atribución	Implementación de Grad-CAM	Personalizado (vía Keras)	Explicación visual de la atención de CNN
Conjunto de datos de resonancia magnética de tumores cerebrales BR35H	Kaggle	https://www.kaggle.com/ahmedhamada0/brain-tumor-detection	Fuente de imágenes de resonancia magnética etiquetadas para clasificación
Conjunto de datos de tumores cerebrales	Ultralíticos	https://docs.ultralytics.com/datasets/detect/brain-tumor/
Biblioteca de Aprendizaje Profundo	TensorFlow	2.15.0 (RRID:SCR_018345)	Backend para la implementación del modelo CNN
Procesamiento de imágenes	OpenCV	4.8.0 (RRID:SCR_015526)	Preprocesado: escala de grises, desenfoque, umbral, morfología
Lenguaje de programación	Python	3.10.12 (RRID:SCR_008394)	Entorno de ejecución para todos los experimentos
Visualización	Matplotlib	3.8.0 (RRID:SCR_008624)	Trazando curvas de pérdida y superposiciones Grad-CAM