Clasificación y explicabilidad de imágenes tumorales cerebrales con Aprendizaje Profundo (Deep Learning)

Abstract

Hoy en día, la Inteligencia Artificial (IA) se entrena para gran variedad de tareas, como el reconocimiento de patrones, la toma de decisiones y la resolución de problemas. De entre todo el abanico de posibilidades que ofrecen estas técnicas, en este trabajo se busca aplicar modelos basados en IA para resolver problemas relacionados con la Medicina, y más concretamente, con los tumores cerebrales, una de las causas de muerte principales entre hombres y mujeres. La detección prematura de los mismos es la mejor ayuda para lograr un tratamiento curativo, y es por esto, que el objetivo fundamental que se plantea es el desarrollo de un modelo, que utilice Redes Neuronales Convolucionales (CNN), y permita caracterizar las imágenes de resonancia magnética entre tres tipos de tumores: Meningioma, Glioma y tumor de Pituitaria. A mayores, se incluirá una capa de explicabilidad Grad-CAM, que permitirá visualizar las regiones de la imagen utilizadas para realizar la predicción. El modelo final obtenido logra una tasa de clasificación superior al 90 %, pudiendo entender a través de la capa de interpretabilidad cuáles son las zonas de más influencia para cada predicción.

Nowadays, Artificial Inteligente (AI) is used for a wide variety of tasks, such as pattern recognition, decision making and problem solving. From the full range of possibilities offered by these techniques, this project seeks to apply AI-based models to solve a Medical issue, and more specifical, with brain tumours, one of the main causes of death among men and women. The early detection of these tumours is the best way to achieve a sucessful treatment. For this reason, the main objective is to develop a model based on Convolutionales Neuronal Networks (CNN) which allows the characterisation of magnetic resonance images beetween thre types: Meningioma, Glioma and Pituitary tumour. In addition, a Grad-CAM explanatory layer will be included, which would allow visualisation of the image regions used to make the prediction. The final model proposed reaches more than a 90% of correct answers, making possible to understand through the interpretability layer which are the most influential areas for each prediction.