Detección de tumores cerebrales basada en algoritmos de Aprendizaje Automático

Introducción

La detección de tumores cerebrales por medio de la inspección de estudios realizados con resonancia magnética posee un grado de dificultad significativo. Esto, debido a la variación de las características que pueden presentar las imágenes, así como la frecuencia de estudios que suelen realizarse en unidades clínicas. Como resultado, se obtiene una abundante cantidad de información a analizar para los especialistas.

En los últimos años la incorporación de nuevas tecnologías al campo de la medicina ha sido favorable en cuestión de ahorro de tiempo y recursos. En el presente estudio, se abordan tres aspectos principales del uso de algoritmos de aprendizaje de máquina para el análisis de imágenes médicas: la aplicación de un preprocesamiento a las imágenes, extracción de características importantes y finalmente, la clasificación.

Métodos

Preprocesamiento

La parte de preprocesamiento de imágenes es la primera fase después de la adquisición de la resonancia. Este procedimiento mejora la calidad del estudio para destacar estructuras y que se aprecien mejor ante un algoritmo que hace su análisis pixel por pixel. Generalmente, en este tipo de aplicaciones las imágenes se convierten a blanco y negro. Después, se les aplica una serie de filtros para eliminar el posible ruido de artefactos. Posteriormente, se detectan los bordes con mayor facilidad y se hace una segmentación como se puede observar en la Figura 1. En la fase d, se puede apreciar el tumor detectado con una sección blanca.

Figura 1.

Preprocesamiento de la imagen cerebral.

Extracción

Al existir una cantidad significativa de imágenes digitales de resonancia magnética con mucha información, es recomendable aplicar una extracción de características principales. Es decir, transformar a un conjunto reducido y representativo las características destacables de todo el conjunto de imágenes mediante transformaciones matemáticas.

Clasificación

Por último, se entrenan los algoritmos de aprendizaje de máquina, que al tener la información en conjuntos preprocesados, pueden trabajar sobre esto con mayor eficiencia. Su objetivo principal es aprender automáticamente mediante el análisis de errores y las correcciones debidas (retroalimentación) para después tomar decisiones inteligentes y hacer una clasificación.

Resultados del estudio

Los investigadores tomaron de referencia 212 imágenes de resonancia magnética, a las cuales se les aplicaron las fases mencionadas anteriormente. Finalmente, se probaron dos herramientas diferentes entrenadas de clasificación, una Multi-Layer Perceptron (MLP) y Naïve bayes. Al finalizar sus pruebas, se obtuvo que la herramienta MLP obtuvo una precisión de 98.6%, mientras que la herramienta de Naïve bayes obtuvo 91.6% de precisión, como se puede observar en la figura 2.

Figura 2.

Representación gráfica de precisión de las herramientas de clasificación utilizadas.

Conclusión

En este estudio se contemplaron las fases principales del uso de aprendizaje de máquina. Con ello, se destaca que existe una gran variedad de algoritmos que son entrenados de maneras diversas y que ante ciertas bases de datos manejan niveles de precisión variables. Es importante conocer esta gama de posibilidades para poder usarlas en una aplicación concreta y que resulte beneficioso. Especialmente en el campo de la medicina, pues, como los autores de este estudio mencionan, es crucial tomar en cuenta que al proponer un algoritmo de detección en esta área, se necesita adquirir un nivel alto de precisión.

Traducido y adaptado de: Sharma, K., Kaur, A., & Gujral, S. (2014). Brain Tumor Detection based on Machine Learning Algorithms. International Journal of Computer Applications, 103, 7-11. https://www.academia.edu/51804688/Brain_Tumor_Detection_based_on_Machine_Learning_Algorithms?auto=citations&from=cover_page