Estrutura baseada em rede neural convolucional para classificação e segmentação de tumores cerebrais usando imagens de ressonância magnética

Summary

Algoritmos de aprendizado profundo foram utilizados na ressonância magnética para realizar a classificação e segmentação de tumores cerebrais com U-Net. InceptionV3, DenseNet201 e Inception-ResNet-v2 foram realizados com excelente precisão no tipo de tumor e na previsão de grau. Modelos híbridos aumentados GPT-4.0 para geração automática de relatórios médicos e assistência diagnóstica.

Abstract

O diagnóstico precoce de tumores cerebrais é fundamental para a otimização do prognóstico e seleção do tratamento do paciente. A segmentação e categorização precisas de tumores cerebrais são essenciais para criar técnicas de tratamento especializadas. À medida que a utilização da ressonância magnética para diagnóstico cerebral aumenta e a tecnologia de visão computacional também melhora, ter um modelo bom e eficaz para identificar e categorizar tumores com base em exames de ressonância magnética continua sendo um desafio. Para resolver esse problema, os autores sugeriram uma técnica baseada em aprendizado profundo para segmentar e classificar tumores cerebrais de diferentes conjuntos de dados. O pré-processamento de imagens empregou nove métodos de aumento para melhorar o desempenho do modelo. A segmentação da RM foi feita usando um modelo U-Net.

O modelo de classificação desenvolvido com base no InceptionV3 e no DenseNet201 prevê a existência do tumor e o categoriza em Glioma, Meningioma e Hipófise. Com 99,15% de precisão, o InceptionV3 é maior que os 98,75% do DenseNet201 na classificação de tumores. A classificação adicional do tumor foi realizada por Clustering como HGG e LGG com base no Inception-ResNet-v2. Os graus do tumor (1-4) são identificados com 96,64% de precisão pelo Inception-ResNet-v2. Um sistema autônomo integra modelos híbridos com GPT-4.0 para gerar relatórios. Portanto, essa nova estrutura pode muito bem ser adequada para clínicas quando usada para identificar e separar automaticamente tumores cerebrais utilizando imagens de entrada capturadas de exames de ressonância magnética.

Introduction

Os tumores cerebrais podem prejudicar significativamente a qualidade de vida dos pacientes e familiares e são responsáveis por um caso em cada 100 cânceres tratados a cada ano nos EUA ^1,2,3. O glioma é o tumor cerebral primário mais prevalente entre as pessoas nos Estados Unidos, que tem uma incidência de 6,5 por 100.000. Eles surgem em astrócitos, oligodendrócitos e células ependimárias, as células gliais que fornecem nutrição aos neurônios do cérebro. O glioma é categorizado em diferentes tipos com base na célula glial afetada no tumor, bem como em seu perfil genético, o que agora pode ser útil para antecipar o comportamento que o tumor pode sofrer ao longo do tempo e os tratamentos com maior probabilidade de serem eficazes ^4,5,6. Um glioma pode desativar o funcionamento do cérebro e até ser letal com base em sua localização e taxa de crescimento. Os meningiomas formam 15-20% de todos os tumores cerebrais primários. Sua prevalência na triagem normal é de um para cada 100 indivíduos em uma série operatória. Supõe-se que eles se originem da célula do capaguão aracnóide. Os meningiomas exibem um amplo espectro de comportamento, variando de benigno a extremamente agressivo, com base em sua localização. Eles aparecem com muitas variedades de sintomas, mas a maioria dos pacientes permanece assintomática.

Os sintomas e sinais associados são causados principalmente pela compressão das estruturas adjacentes e, portanto, também podem apresentar sintomas como convulsões motoras, deficiência sensorial, distúrbios na fala, anosmia e muitos mais. Os tumores hipofisários são as terceiras neoplasias intracranianas primárias mais frequentes, depois dos gliomas e meningiomas, representando cerca de 10% de todas as neoplasias cerebrais primárias excisadas. Eles podem ocorrer de várias maneiras devido à hiper ou hiposecreção de hormônios hipofisários, constrição do pedúnculo hipofisário ou efeitos nas estruturas circundantes, particularmente no quiasma óptico.

Quando comparadas às tomografias computadorizadas cerebrais padrão, as imagens de ressonância magnética contêm uma grande faixa de contraste tecidual ^7,8,9. O desenvolvimento de um método regular de segmentação automática de tumores cerebrais, portanto, seria de extrema importância no diagnóstico e tratamento adequado desses pacientes. Portanto, o desenvolvimento de uma técnica automática confiável para segmentação de tumores cerebrais seria de extrema importância no diagnóstico e tratamento adequado desses pacientes. Esses métodos inteligentes ajudariam os neurocirurgiões e radiologistas a avaliar melhor o volume, a forma do tumor e definir o limite entre o tumor e os tecidos normais adjacentes com mais precisão.

O aprendizado de máquina pode ser benéfico para determinar o tipo e a presença de tumores cerebrais, mas requer mais intervenção humana, pois seus modelos são preditivos. Os modelos de aprendizado profundo, por outro lado, poderiam aprender e detectar recursos por causa das redes neurais, que seriam o ponto crucial de um processo de detecção completo totalmente automatizado. Muitos métodos de aprendizado de máquina (ML) foram desenvolvidos para radiologistas para que eles recebam visões incomuns durante o reconhecimento e classificação de imagens de RM. O método mais eficaz entre todo um segmento de modalidades para detecção de câncer é por meio de imagens médicas. Essas metodologias são úteis na identificação e detecção de neoplasias malignas. Essa metodologia é crucial porque não tem a natureza invasiva associada a outras práticas médicas. Os procedimentos não são invasivos 10,11,12. A novidade deste trabalho é que ele oferece uma estrutura única baseada em DL para categorização e classificação multiclasse automática, precisa e eficiente de tumores cerebrais usando imagens de ressonância magnética, o que reduz a necessidade de interpretação manual.

Os autores propuseram modelos de classificação de tumores cerebrais usando abordagens de extração de características nLBP e LBP. Os modelos caracterizaram com precisão os tipos mais comuns de câncer cerebral. A precisão máxima de 95,56% foi alcançada usando um esquema de extração de características nLBPD = 1 com o modelo KNN¹¹. Os autores pesquisaram a implantação clínica de Deep Learning (DL) em radiografia e documentaram as operações envolvidas neste domínio¹³. Eles enfatizaram as implicações clínicas da DL em vários campos clínicos. A DL tem demonstrado resultados satisfatórios em certas implementações radiológicas, mas a tecnologia é imatura e não pode substituir a profissão diagnóstica de um radiologista¹⁴. A combinação de algoritmos de DL com radiologistas melhora a eficácia e a eficiência do diagnóstico. A ressonância magnética foi avaliada em inúmeras investigações por sua possível aplicação na classificação de tumores cerebrais por meio de vários projetos de pesquisa.

Afshar et al. sugeriram uma arquitetura CapsNet aprimorada para a classificação dos principais tumores cerebrais com 3.064 imagens com regiões auxiliares de entrada de interesse por meio da aplicação de bordas tumorais para investir maior esforço e melhorar outros métodos para uma precisão de 90,89%¹⁵. Gumaei et al. sugeriram um método híbrido baseado em extração de características para a classificação de tumores cerebrais usando RELM. Os autores normalizaram a imagem cerebral usando a normalização min-max e usaram o RELM para classificação para obter uma precisão de 94,23%¹⁶. Um esquema integrado usando segmentação e classificação de tumores cerebrais usando ressonância magnética foi proposto por Rezaei et al. As etapas utilizadas foram a remoção de ruído, segmentação por meio de Support Vector Machine (SVM), extração de recursos e seleção de recursos por meio do uso de DE. Os cortes do tumor foram classificados usando os classificadores WSVM, KNN e HIK-SVM. Os classificadores, com métodos de ensemble baseados em MODE, alcançaram uma acurácia de 92,46%¹⁷. Fouad et al. propuseram uma classificação de um tumor cerebral por meio de descritores de recursos HDWT-HOG e WOA para recursos redutores. O método utilizou métodos de ensemble com Bagging. Com o Bagging, foi alcançada uma precisão média de 96,4% e, com o Boosting, o valor alcançado é de 95,8%¹⁸.

Ayadi et al. introduziram o processo de classificação de tumores cerebrais usando técnicas como normalização e características robustas densas aceleradas com histograma de gradiente, aumentando a pesquisa de imagens de qualidade e o desenvolvimento de características discriminativas resultantes. O classificador SVM foi empregado, e a respectiva acurácia atingiu um nível alto de até 90,27% com o conjunto de dados de avaliação¹⁹. Srujan et al. apresentaram uma arquitetura DL de rede neural convolucional (CNN) de dezesseis camadas que combina funções de ativação como ReLU e otimizador Adam para atingir 95,36% de precisão de classificação²⁰. Tejaswini et al. projetaram um modelo CNN para o diagnóstico de meningioma, glioma e câncer cerebral hipofisário, que alcançou uma precisão de validação de 87,16% e precisão de treinamento de 92,79%. A área do tumor também foi segmentada pelas técnicas de limiar de Otsu, cmeans difusos e divisor de águas²¹. Huang et al. apresentaram CNN-BCN para classificação de câncer cerebral. A arquitetura de rede foi projetada usando o método de grafos aleatórios e atingiu a precisão desejada de até 95,49%²². Ghassemi et al. projetaram um modelo DL para a classificação de imagens de tumores cerebrais²³. Recursos poderosos e padrões de aprendizado foram obtidos a partir de imagens de RM, utilizando redes pré-treinadas como discriminadores de GAN. Com base na validação cruzada quíntupla, a abordagem alcançou 95,6% de precisão substituindo técnicas como aumento e abandono de dados por camadas totalmente conectadas. Deepak et al. combinaram SVM com CNN para classificar imagens de tumores cerebrais. Ao testar com um protocolo de validação cruzada quíntuplo, o sistema automatizado alcançou 95,82% de precisão, superior a outras técnicas²⁴. Noreen et al. empregaram as redes pré-treinadas e ajustadas como Xception e InceptionV3 para identificação de câncer cerebral. Esses modelos empregaram uma ampla gama de técnicas de aprendizado de máquina, como RF, SVM e KNN, para atingir 94,34% de precisão com um conjunto de InceptionV3²⁵.

Shaik et al. classificaram tumores cerebrais no processamento de imagens médicas e apresentaram uma abordagem de manet que prioriza os tumores combinando espaço e atenção entre canais, mantendo ligações temporais entre os canais. Na tarefa de classificação de tumores cerebrais primários, a abordagem alcançou 96,51% de acurácia²⁶. Ahmad et al. criaram uma rede neural generativa profunda para classificar tumores cerebrais. A tecnologia usou VAEs e GANs para atingir 96,25% de precisão nas imagens de RM do tumor cerebral^27,28. Um modelo DL foi apresentado por Alanazi et al. para identificar subtipos de tumores cerebrais. A técnica envolveu a criação de vários modelos CNN e a aplicação do aprendizado de transferência para ajustar os pesos de um modelo CNN de 22 camadas. O modelo alcançou precisão de imagem de ressonância magnética de 95,75% e 96,89%, respectivamente^29,30. Almalki et al. aplicaram uma técnica de ML à ressonância magnética para analisar rapidamente a gravidade de quatro tipos de tumores cerebrais. Dividir as ressonâncias magnéticas em imagens de 8 x 8 pixels permitiu extrair características de escala gaussiana e não linear, bem como pequenos detalhes. As características importantes foram identificadas, divididas em 400 características de escala não linear e mescladas com cada imagem de RM. Eles usaram o classificador SVM e obtiveram 95,33% de acurácia ^31,32. Três modelos de CNN foram comparados por Kumar et al., a saber, InceptionV3, AlexNet e ResNet50, para a classificação do tumor primário, e usaram métodos de aumento de dados. O AlexNet venceu os demais em termos de especificidade e acurácia, obtendo uma pontuação de 96,2%³³.

Ullah et al. investigam modelos de aprendizado mais profundos para diagnóstico de tumores cerebrais. O DeepEBTDNet melhora a qualidade da ressonância magnética aplicando DSIHE e garantindo a interpretabilidade por meio do LIME^34,35. O TumorResNet com 20 camadas convolucionais, que é usado para atingir uma precisão de classificação de 99,33%, apresenta um método consistente e automatizado de diagnóstico precoce de tumores cerebrais e planejamento de tratamento³⁶. Várias arquiteturas avançadas de DL foram apresentadas por Kumar et al. para classificação e detecção de tumores cerebrais. O modelo PBTC combina pré-processamento de ressonância magnética, segmentação ACLS e HRNN-BiLSTM otimizado para OHBO para atingir 97,8%^{de precisão 37}. Uma CNN de dois canais com a Transformada de Wavelet de Berkeley e a Otimização Serval Aprimorada atinge 98,8% de precisão para quatro tipos de tumores³⁸. Disci et al. usam dados de ressonância magnética para avaliar modelos DL pré-treinados para classificar tumores cerebrais e alcançam 98,73% de precisão com o Xception³⁹.

Protocol

Descrição do conjunto de dados e análise exploratória
O conjunto de dados consiste em várias fontes para aumentar a confiabilidade e a precisão do modelo. Merged_dataset contém 20.620 imagens do Conjunto de Dados A (3.054), Conjunto de Dados B (3.264), Conjunto de Dados C (10.000) e Conjunto de Dados D (4.292). Além disso, 1.425 imagens do conjunto de dados Brad foram adicionadas para graus de tumor de glioma (HGG, LGG). Esse conjunto de dados diversificado garantirá uma melhor generalização, reduzirá vieses e melhorará o desempenho do modelo. O grande conjunto de dados permite avaliações abrangentes e, portanto, há uma probabilidade maior de obter as previsões corretas em aplicações reais de tarefas de classificação.

Dois conjuntos de dados distintos foram usados nesta investigação. Entre 2005 e 2010, o primeiro foi adquirido do Hospital e Hospital Geral Nanfang da Universidade Médica de Tianjing, na China. Imagens com contraste ponderado em T1 de 233 indivíduos com tumores, bem como Glioma Graus II e III, estão incluídas na coleção. O conjunto de dados oferece uma distribuição muito abrangente de categorias de tumores e análise geral de dados. Para Glioma de Alto Grau (HGG), existem 1.050 imagens disponíveis, e para Glioma de Baixo Grau (LGG), existem 375 imagens, o que significa que há mais atenção dada a casos mais graves (HGG).

A Figura 1 mostra exames de ressonância magnética categorizados em três tipos de tumores cerebrais. Cada linha é um tipo de tumor e há três imagens de amostra para cada categoria. Os exames têm características diferentes em várias orientações e visualizações, incluindo axial, sagital e coronal. As amostras de glioma têm estruturas irregulares que se infiltram nos tecidos cerebrais. As amostras de meningioma aparecem como massas localizadas perto da superfície do cérebro, e as amostras de tumor hipofisário estão localizadas perto do centro do cérebro. Esses exemplos apresentam variabilidade na aparência do tumor, ajudando assim a treinar modelos de ML para detecção precisa, bem como classificação de tumores na análise de imagens médicas.

Figura 1: Exames de ressonância magnética de tumores. Exames de ressonância magnética de meningioma, glioma e tumores hipofisários nas incidências axial, sagital e coronal, destacando características de imagem distintas. Clique aqui para ver uma versão maior desta figura.

Glioma tem o maior número de imagens, que está um pouco acima de 6.000. Meningioma tem cerca de 6.000 imagens, enquanto Pituitary tem quase tantas imagens quanto Meningioma. Parece haver uma divisão quase igual entre as três categorias, o que significa que cada um dos tipos de tumor é bem representado para treinamento ou qualquer análise. O glioma tem o maior tamanho médio de arquivo, embora o meningioma tenha um alcance mais restrito e mais valores discrepantes. A variância moderada da hipófise contém alguns valores discrepantes aparentes. Cada categoria contém alguns tamanhos de arquivo realmente enormes.

A Figura 2 mostra o PCA das características de imagem para os três tipos de tumor. O componente principal 1 captura a maior variância e separa significativamente a hipófise (cluster direito) dos outros. Gliomas e meningiomas se sobrepõem à esquerda, indicando que suas representações de características são comparáveis e que sua separabilidade é diminuída.

Figura 2: PCA de recursos de imagem. Análise de componentes principais de características extraídas diferenciando glioma, meningioma e classes de tumores hipofisários. Clique aqui para ver uma versão maior desta figura.

O mapa de calor de correlação mostrado na Figura 3 descreve as relações entre os atributos de metadados da imagem: File_Size, altura e largura. File_Size mostra uma correlação muito baixa com altura (-0,01) e largura (0,0039).

Figura 3: Mapa de calor de correlação de metadados. Mapa de calor mostrando relações entre atributos de metadados de imagem, como tamanho, altura e largura do arquivo. Clique aqui para ver uma versão maior desta figura.

Altura e largura também mostram uma correlação positiva muito baixa de 0,0039. Os valores diagonais são 1, indicando correlação perfeita de cada variável consigo mesma. Em geral, os atributos não são correlacionados, o que significa variações independentes entre o tamanho do arquivo, a altura e a largura da imagem.

Metodologia e arquitetura proposta
Um fluxo de trabalho que detecta, classifica e analisa sistematicamente tumores cerebrais com base em dados de ressonância magnética é representado na Figura 4. A metodologia inclui técnicas avançadas de pré-processamento, segmentação e DL para obter previsão e classificação robustas de tumores.

Figura 4: Fluxo de trabalho da metodologia proposta. Fluxo de trabalho passo a passo para detecção, classificação e análise de tumores usando dados de ressonância magnética. Clique aqui para ver uma versão maior desta figura.

O processo começa com a integração de vários conjuntos de dados (denotados como A, B, C e D). Em seguida, os conjuntos de dados são combinados em um conjunto de dados abrangente para obter dados holísticos. Também envolve o conjunto de dados Brad para fins de segmentação, agrupamento e classificação de imagens. O conjunto de dados mesclado envolve a anexação de todas as imagens em cada conjunto de dados e diretórios combinados, garantindo um conjunto de dados abrangente e unificado para análise posterior e desenvolvimento de modelos de classificação múltipla.

Em segundo lugar, o pré-processamento é concluído, o que é uma etapa importante para melhorar a qualidade e a variabilidade dos dados. Nove processos de aumento são aplicados às imagens originais de ressonância magnética para melhorar o desempenho do modelo e a variedade do conjunto de dados. O redimensionamento de imagens para um tamanho comum os harmoniza e a conversão de RGB para tons de cinza simplifica o processamento. A inversão horizontal/vertical melhora a robustez e a rotação com zoom imita diferentes condições de imagem. O uso da filtragem Sobel melhora a agudeza dos recursos e a adição de ruído melhora a variabilidade. O mascaramento de nitidez melhora a nitidez da imagem e a mudança de altura e largura adiciona variações de posição. Cada um deles, quando combinados, melhora a generalização e a precisão da classificação do modelo. Tudo isso garante que o modelo generalize em um amplo espectro de situações de imagem. Há um total de 20.620 imagens de ressonância magnética, e o total de imagens de pré-processamento usadas para o desenvolvimento do modelo produz 185.580 imagens.

Em seguida, o conjunto de dados mesclado é segmentado usando o modelo U-Net, que é altamente utilizado em imagens médicas. A arquitetura é ajustada e treinada para identificar regiões tumorais a partir de exames de ressonância magnética. Esta etapa produz imagens mascaradas, que destacam o tumor e eliminam detalhes irrelevantes. A segmentação das imagens garante melhores entradas de dados para classificação e análise.

Na próxima etapa, esses modelos são ajustados para categorizar imagens em diferentes classes, aproveitando o aprendizado de transferência para aumentar a precisão e reduzir o tempo de treinamento. Para classificação, vários modelos de aprendizado profundo pré-treinados são usados, cada um com benefícios especiais. Devido à sua facilidade de uso e eficiência na categorização de imagens, VGG16 e VGG19 são frequentemente utilizados. Com eficiência computacional ideal, o EfficientNetB0 e o EfficientNetB7 oferecem desempenho de ponta. A arquitetura mais profunda do ResNet101 melhora a precisão da classificação, capturando efetivamente padrões intrincados. Posteriormente, o diagnóstico preciso é garantido pela classificação dos algoritmos treinados dos dados de ressonância magnética em quatro classificações de tumores. As células gliais são a fonte de tumores de glioma, que prejudicam a função cerebral. Os tumores de meningioma se desenvolvem nas meninges, que são camadas protetoras do cérebro e da medula espinhal. A glândula pituitária é o local dos tumores hipofisários, que afetam o equilíbrio hormonal e os processos fisiológicos.

Em seguida, para ajudar no diagnóstico preciso, técnicas de agrupamento como K-Nearest Neighbors (KNN) são usadas para prever os graus do tumor. Os graus três e quatro de Glioma de Alto Grau (HGG) denotam desenvolvimento tumoral grave. Os graus 1 e 2 do Glioma de Baixo Grau (LGG) são tumores menos agressivos e de crescimento mais lento, respectivamente. Essa graduação é essencial para estabelecer a agressividade do tumor e, portanto, direcionar o manejo clínico.

Finalmente, para avaliar a eficácia dos modelos de categorização, eles são contrastados de acordo com critérios importantes. Seus efeitos são avaliados para verificar se as estratégias de aumento e segmentação melhoraram o desempenho do modelo. Para garantir confiabilidade e eficácia, o desempenho também é examinado em uma variedade de conjuntos de dados e a precisão da classificação é contrastada com os modelos mais avançados.

O fluxo de trabalho integra preparação, pré-processamento, segmentação, classificação e classificação de dados em uma estrutura coerente. Ele aumenta a precisão da detecção e classificação de tumores cerebrais por meio da aplicação de métodos de DL de ponta e pré-processamento rigoroso. A inclusão da classificação do tumor apóia ainda mais a tomada de decisões clínicas, tornando-o um sistema abrangente para análise de tumores.

Figura 5: Estrutura de aprendizado profundo. Estrutura de classificação de tumores cerebrais proposta usando modelos de aprendizado profundo. Clique aqui para ver uma versão maior desta figura.

A Figura 5 é uma arquitetura em relação a um sistema de classificação de imagens médicas que identifica tumores cerebrais com o auxílio de técnicas computacionais avançadas, como aprendizado profundo. Começa com uma coleção de imagens de ressonância magnética que está sendo classificada. Assim, esta será a espinha dorsal do processo de classificação. Em seguida, os dados de entrada entram em um módulo de pré-processamento de dados no qual a normalização, ou redimensionamento e aumento de imagem, bem como a remoção de ruído, são realizados. O pré-processamento padroniza as imagens de entrada para aproveitar ao máximo as fases de treinamento do modelo. Toda a etapa é sobre como se preparar para passar por estágios subsequentes de uso intensivo de computação. Após a etapa de pré-processamento, os dados são alimentados no módulo de extração de recursos. Aqui, o uso de técnicas ou modelos computacionais, talvez modelos DL, como CNNs, pode ser feito para identificar características em imagens. As características extraídas podem incluir padrões indicativos de anormalidades ou características tumorais. Em seguida, esse conjunto de recursos é inserido no modelo de classificação. Dado que isso provavelmente teria como objetivo distinguir diferentes classes, que incluem a existência ou inexistência de um tumor e o tipo de tumor, o modelo se baseia em uma arquitetura bastante complexa, provavelmente de Inception-ResNet-v2, entre outros, para previsões precisas. Ele determina se existe ou não um tumor na imagem cerebral digitalizada. Esta etapa de classificação é em "Tumor" e "Sem Tumor". Quando um tumor é encontrado, o sistema classifica o tipo de tumor como Glioma, Meningioma ou Hipófise. Cada um desses tipos tem características que o modelo reconhece usando os recursos extraídos. Para os tumores identificados, o grau do tumor é então determinado. Os graus variam de 1 a 4, indicando a gravidade e progressão do tumor. O grau 1 é o menos agressivo, enquanto o grau 4 é o mais grave. Essa classificação auxilia no diagnóstico médico e no planejamento do tratamento. Os resultados finais incluem a ausência ou presença de tumor e seu tipo e grau. Essa saída é muito valiosa para aplicações clínicas para a tomada de decisões no cuidado e tratamento de pacientes.

O processo representa um pipeline integrado para análise de imagens médicas e classificação de tipos de tumores. Começando com dados brutos, ele continua em sucessão por meio de dados preparatórios, extração de recursos e classificação. O sistema determina se ele realmente tem um tumor, especifica seu tipo e fornece a gravidade ou grau. Esse pipeline, usando formas mais complexas de computação, agiliza o diagnóstico em imagens médicas para que as avaliações possam ser mais rápidas e precisas em tumores cerebrais. Um fluxo de trabalho modular garante flexibilidade, onde os componentes podem ser otimizados separadamente para melhorar o desempenho.

Results

O ambiente de treinamento aproveita a GPU NVIDIA Tesla T4 da Kaggle, facilitando o treinamento eficiente do modelo. As bibliotecas importantes são TensorFlow, PyTorch, Keras, NumPy e Pinecone, que facilitam pipelines de aprendizado profundo fortes. DenseNet201, InceptionV3 e Inception-ResNet-v2 foram escolhidos devido à sua eficácia demonstrada em imagens médicas. Esses projetos fornecem extração profunda de recursos, fluxo de gradiente robusto e forças híbridas, que melhoram a precisão, minimizam o sobreajuste e melhora...

Discussion

O diagnóstico precoce de tumores cerebrais pode ser essencial para salvar a vida de um indivíduo, pois os tumores cerebrais podem ser altamente perigosos e fatais. Atualmente, o diagnóstico de tumores depende da interpretação manual dos radiologistas, o que pode causar atrasos e erros humanos na detecção de malignidades nos estágios iniciais. Portanto, este artigo apresenta um modelo de diagnóstico de tumor cerebral multi-classificação que pode detectar, localizar e classificar tumores c...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
texto rápido	IA do Facebook	N/A	Representação e classificação de palavras
Google Colab	Pesquise no Google	N/A	Ambiente Jupyter Notebook baseado em nuvem
Google Colab GPU/TPU	Pesquise no Google	N/A	Aceleração de hardware baseada em nuvem
Intel Core i5/i7 ou AMD Ryzen 5/7	Intel / AMD	N/A	Processador para execução local (se necessário)
Matplotlib	Código aberto	N/A	Biblioteca de visualização de dados
NLTK	Código aberto	N/A	Kit de ferramentas de linguagem natural para processamento de texto
NumPy	Código aberto	N/A	Biblioteca de computação numérica
NVIDIA GTX 1650 ou superior (opcional)	NVIDIA	N/A	GPU para tarefas de aprendizado profundo
Pandas	Código aberto	N/A	Biblioteca de manipulação de dados
Python	Fundação de Software Python	N/A	Linguagem de programação para ML e PNL
PyTorch	Meta IA	N/A	Estrutura de aprendizado profundo
RAM (mínimo de 8 GB, recomendado 16 GB)	Vário	N/A	Requisito de memória para tarefas de ML
Scikit-aprender	Código aberto	N/A	Biblioteca de aprendizado de máquina
Nascido no mar	Código aberto	N/A	Visualização de dados estatísticos
SpaCy	IA de explosão	N/A	Biblioteca de NLP de força industrial
Armazenamento SSD (mínimo de 256 GB, 512 GB recomendado)	Vário	N/A	Armazenamento para processamento de conjunto de dados
TensorFlow	Pesquise no Google	N/A	Estrutura de aprendizado profundo