Investigadores del Departamento de Ciencias de la Computación de la Universidad Estatal de Georgia han desarrollado un modelo ligero basado en redes neuronales convolucionales (CNN) destinado a la clasificación de tumores cerebrales a partir de imágenes de resonancia magnética (MRI). Este enfoque innovador promete mejorar la precisión y eficiencia del diagnóstico en comparación con otras técnicas más complejas y costosas.
Partiendo de un conjunto de datos públicos, que incluye 7,023 imágenes MRI categorizadas en cuatro clases –glioma, meningioma, tumor pituitario y sin tumor–, el equipo ha trabajado meticulosamente para optimizar el sistema de detección. Para mejorar las capacidades del modelo, integraron técnicas avanzadas de preprocesamiento que incluyen redimensionamiento, normalización, y una innovadora estrategia de recorte contorneado que elimina fondos irrelevantes de las imágenes.
Una de las claves del éxito del modelo ha sido su capacidad para mitigar el sobredimensionamiento. Para ello, implementaron una validación cruzada de cinco pliegues, lo que proporciona un marco de evaluación más robusto y disminuye el riesgo de sobreajuste a un solo subconjunto de datos. Además, el modelo utiliza la herramienta Keras Tuner para optimizar los hiperparámetros, ayudando en la construcción de una arquitectura adaptable y eficiente.
Mediante la aplicación de la data augmentation, se simularon condiciones naturales de variación que podrían presentarse en el proceso de adquisición de imágenes MRI. Estas mejoras incrementan la diversidad de los datos durante el entrenamiento, promoviendo un aprendizaje de características más completado y robusto.
Los resultados experimentales preliminares están respaldados por datos sólidos que demuestran una sorprendente precisión del 98.78% en la clasificación de imágenes, lo que sugiere un potencial considerable para su uso como herramienta de ayuda en diagnósticos clínicos. A diferencia de los modelos preentrenados convencionales, el modelo propuesto ofrece una solución de baja complejidad pero efectiva en la detección temprana de tumores cerebrales.
Con una configuración hiperparamétrica óptima, el modelo no sólo demuestra ser competitivo con arquitecturas más profundas y sofisticadas sino también extremadamente eficiente en términos de recursos computacionales. Este hecho es especialmente notable dado que el modelo contiene aproximadamente 4,150,766 parámetros, un número significativamente inferior al de sus contrapartes más pesadas.
El uso de este modelo ligero podría beneficiar no sólo a hospitales y clínicas con menos capacidad de inversión en tecnología, sino también a investigaciones en áreas remotas o emergentes, donde el acceso a tecnologías avanzadas es limitado.
Como conclusión, este trabajo ejemplifica cómo la combinación de innovación en diseño de modelos y estrategias de optimización puede resultar en mejoras significativas en la precisión y eficiencia del diagnóstico por imagen, marcando un paso importante hacia aplicaciones diagnósticas más accesibles y precisas en el campo de la medicina.