Detección y localización de gliomas cerebrales (tumor) basados en imágenes de resonancia magnética y aprendizaje profundo

• Autores: Sandoval Juarez, Ariana Ayelén, Noriega Vela, Diego
• Formato: tesis de grado
• Fecha de Publicación: 2025
• Institución: Universidad Nacional Mayor de San Marcos
• Repositorio: UNMSM-Tesis
• Lenguaje: español
• OAI Identifier: oai:cybertesis.unmsm.edu.pe:20.500.12672/26638
• Enlace del recurso: https://hdl.handle.net/20.500.12672/26638
• Nivel de acceso: acceso abierto
• Materia: Gliomas; Resonancia magnética; Aprendizaje profundo; https://purl.org/pe-repo/ocde/ford#2.02.04

La detección y segmentación de gliomas cerebrales es esencial para un diagnóstico preciso y un tratamiento oportuno. El método más convencional para la detección de tumores implica redes neuronales convolucionales y modelos híbridos. En la presente tesis, se propone un enfoque basado en diversas arquitecturas de aprendizaje profundo para la detección de gliomas, así como otro método para la segmentación de estos tumores a partir de imágenes de resonancias magnéticas. Se utilizó un conjunto de datos de 3929 registros, con sus máscaras correspondientes, provenientes de 110 pacientes con gliomas cerebrales, extraídos de "The Cancer Genome Atlas" en Kaggle, aplicando técnicas de aumento de datos para evitar el desbalance. Para la detección, se desarrolló un modelo híbrido, para lo cual se entrenaron siete modelos de clasificación basados en arquitecturas como ResNet50, InceptionResNetV2, InceptionV3, Xception y DenseNet121, implementando transferencia de aprendizaje, preprocesamiento de imágenes y validación cruzada. En la segmentación, se utilizó la arquitectura ResUNet. En los resultados, se observó que el modelo híbrido Voting 5 destacó en la detección de gliomas, logrando un rendimiento sobresaliente con una precisión y sensibilidad del 99.73%, superando los resultados previamente reportados en la literatura. Asimismo, en cuanto a la segmentación, la métrica de Tversky indicó un nivel del 92, señalando una notable similitud o superposición entre la máscara de segmentación real y la predicha por el modelo. El mejor modelo de clasificación y segmentación se implementó en una aplicación web con los requisitos necesarios del especialista médico.