Pré-processamento de Imagens e Sensibilidade ao Otimizador: Implicações para Redes Neurais Convolucionais no Diagnóstico de Tumores Cerebrais

Summary

Este estudo emprega uma estrutura controlada para avaliar pipelines de pré-processamento e otimizadores dentro de uma arquitetura fixa, com o objetivo de determinar como o pré-processamento clássico afeta otimizadores e Redes Neurais Convolucionais (CNNs) na classificação de tumores cerebrais.

Abstract

A classificação de tumores cerebrais usando ressonância magnética (RM) apresenta desafios devido a variações no tamanho, formato e textura do tumor. Embora métodos tradicionais de pré-processamento de imagens sejam comumente empregados para melhorar a qualidade da entrada, seu impacto no comportamento dos otimizadores e no desempenho da CNN ainda precisa ser investigado a fundo. Esta pesquisa examina o efeito do pré-processamento na convergência, generalização e precisão da classificação entre vários otimizadores. Utilizamos um conjunto de dados Kaggle disponível publicamente para criar dois pipelines de pré-processamento: um pipeline de linha de base que apenas redimensiona imagens e um pipeline tradicional que converte imagens em tons de cinza, as desfoca e aplica filtragem morfológica. Em seguida, testamos como esses pipelines afetam três otimizadores: Adam, Propagação Quadrática Média Raiz (RMSProp) e Descida Estocástica do Gradiente (SGD). Para separar variáveis de protocolo, uma arquitetura CNN fixa é utilizada em todo o sistema. O desempenho é avaliado usando precisão, exatião, recordação e pontuação F1, validados por meio de validação cruzada de cinco vezes. Os resultados mostram que o pré-processamento de linha de base gera consistentemente maior precisão e convergência mais estável entre todos os otimizadores, com RMSProp e SGD alcançando a maior precisão média de 99,53% sob validação cruzada cinco vezes. Os resultados abordam o efeito pouco estudado do pré-processamento no desempenho dos otimizadores, enfatizando a necessidade de estratégias de treinamento conscientes do pré-processamento para melhorar a robustez e a interpretabilidade na análise de imagens médicas.

Introduction

A classificação de tumores cerebrais usando ressonância magnética (RM) é uma tarefa crucial em neurooncologia, onde o diagnóstico precoce e preciso influencia diretamente o planejamento do tratamento e os desfechos dos^{pacientes 1}. As CNNs tornaram-se a abordagem dominante para automatizar esse processo devido à sua capacidade de aprender características espaciais e texturais hierárquicas diretamente a partir de dados brutos^{de imagem 2}. No entanto, a qualidade dos dados de entrada continua sendo um fator determinante fundamental para o desempenho do modelo. Técnicas clássicas de pré-proce....

Protocol

A Figura 1 mostra uma visão geral do fluxo de trabalho do Protocolo. Este estudo examina o efeito do pré-processamento clássico de imagens no desempenho das CNNs e no comportamento dos otimizadores na classificação de tumores cerebrais usando ressonância magnética. O protocolo abrange preparação de conjuntos de dados, pipelines de pré-processamento de caminho duplo, arquitetura de modelos, configuração do otimizador, avaliação de desempenho e validação de interpretabilidade. Todos os experimentos foram executados em Python 3.10.12 usando Keras versão 2.13.1 com backend TensorFlow, OpenCV versão 4.8.0 e Ma....

Results

Otimizador Adam - Pré-processamento de linha base:
A Figura 2 ilustra o desempenho de um modelo de classificação de tumores cerebrais usando o otimizador Adam com pré-processamento de linha de base. A matriz de confusão mostra uma separação quase perfeita entre casos tumorosos e não tumorais, com apenas 8 classificações erradas entre 600 amostras. O relatório de classificação que acompanha confirma isso com precisão, recordação e pontuaç.......

Discussion

O sucesso da classificação de tumores cerebrais baseada em CNN neste estudo foi impulsionado principalmente por dois componentes do protocolo: o projeto do pré-processamento e a seleção do otimizador. O pré-processamento de linha de base — consistindo apenas no redimensionamento da imagem — preservou a intensidade nativa dos pixels e a estrutura espacial, permitindo que o modelo aprendesse características clinicamente relevantes. Em contraste, métodos tradicionais de pré-processamento (c.......

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 nível para arquitetura CNN e treinamento
Ferramenta de Atribuição	Implementação do Grad-CAM	Personalizado (via Keras)	Explicação visual da atenção da CNN
Conjunto de dados de ressonância magnética de tumores cerebrais BR35H	Kaggle	https://www.kaggle.com/ahmedhamada0/brain-tumor-detection	Fonte das imagens de ressonância magnética rotuladas para classificação
Conjunto de Dados de Tumores Cerebrais	Ultralíticos	https://docs.ultralytics.com/datasets/detect/brain-tumor/
Biblioteca de Aprendizado Profundo	TensorFlow	2.15.0 (RRID:SCR_018345)	Backend para implementação do modelo CNN
Processamento de Imagem	OpenCV	4.8.0 (RRID:SCR_015526)	Pré-processamento: escala de cinza, desfoque, limiar, morfologia
Linguagem de Programação	Python	3.10.12 (RRID:SCR_008394)	Ambiente de execução para todos os experimentos
Visualização	Matplotlib	3.8.0 (RRID:SCR_008624)	Plotando curvas de perda e sobreposições Grad-CAM