Clasificación de imágenes de cáncer de cerebro mediante aprendizaje profundo
En este trabajo se realiza un estudio sobre el cáncer de cerebro con la finalidad de poder identificar el tipo de tumor a través de una red neuronal convolucional. Las aplicaciones de este trabajo son claves para la comunidad sanitaria debido a que la predicción del tipo de tumor es esencial para de...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis de maestría |
| Fecha de publicación: | 2022 |
| País: | España |
| Institución: | Universitat Oberta de Catalunya (UOC) |
| Repositorio: | O2, repositorio institucional de la UOC |
| OAI Identifier: | oai:openaccess.uoc.edu:10609/138146 |
| Acceso en línea: | http://hdl.handle.net/10609/138146 |
| Access Level: | acceso abierto |
| Palabra clave: | aprendizaje profundo red neuronal artificial cáncer aprenentatge profund xarxa neuronal artificial càncer deep learning artificial neural network cancer Bioinformatics -- TFM Bioinformàtica -- TFM Bioinformática -- TFM |
| Sumario: | En este trabajo se realiza un estudio sobre el cáncer de cerebro con la finalidad de poder identificar el tipo de tumor a través de una red neuronal convolucional. Las aplicaciones de este trabajo son claves para la comunidad sanitaria debido a que la predicción del tipo de tumor es esencial para determinar las opciones de tratamiento. Para poder realizar las predicciones del tumor se han utilizado 3064 imágenes de 233 pacientes con 3 tipos de tumores diferentes: meningioma, gliomas y tumor pituitario. Para construir el modelo de la red neuronal se ha realizado previamente la exploración de los datos, seguido del preprocesamiento que ha consistido en normalizar los datos y bajar el tiempo de procesamiento de las imágenes disminuyendo la resolución, seguidamente se ha utilizado la librería ¿Keras¿ de Python para la construcción del modelo y por último, se ha realizado el análisis de resultados. Con la construcción de la red neuronal convolucional se ha obtenido una exactitud del 93% sobre la predicción del tipo de tumor. Estos resultados los consideramos óptimos debido a que se ha obtenido una precisión elevada con un número muy limitado de imágenes de IMR. Podemos concluir que el modelo obtenido puede dar soporte a los profesionales sanitarios para la predicción de estos 3 tipos de tumores con una mayor seguridad. |
|---|