Efecto de la decadencia en las imágenes de resonancia magnética en las redes neuronales profundas
DOI:
https://doi.org/10.33448/rsd-v11i9.31868Palabras clave:
Resonancia magnética; Tumores del Cerebro; Aprendizaje profundo.Resumen
En las últimas décadas, las tareas de clasificación y segmentación de hallazgos clínicos mediante redes neuronales convolucionales han crecido significativamente en el ámbito del diagnóstico por imagen y, más precisamente, en la modalidad de resonancia magnética. Sin embargo, poco se sabe sobre el comportamiento de estas arquitecturas ante factores que degradan la resolución espacial y la resolución de contraste, ya que la mayoría de los modelos son entrenados con imágenes de alta calidad, lo que no es acorde con la vida cotidiana general. Por lo tanto, es necesario analizar el desempeño de las redes neuronales pre-entrenadas, bajo condiciones en las que existe deterioro de la imagen de entrada. En este trabajo se evaluaron los efectos de la degradación de ambas resoluciones, tanto en tareas de clasificación como de segmentación de tumores cerebrales, para tres arquitecturas: Mobilenet, Vgg16 y SEResNeXt50. Los resultados obtenidos mostraron que las tareas realizadas se ven muy afectadas por distorsiones en la calidad de las imágenes, especialmente en los casos en que los deterioros se vuelven más intensos.
Citas
Abadi, M., Agarwal, A., Barham, P., Brevdo, E., Chen, Z., Citro, C., & Zheng, X. (2016). Tensorflow: Large-scale machine learning on heterogeneous distributed systems. ArXiv Preprint ArXiv:1603.04467.
Bu, R., Xiang, W., & Cao, S. (2022). COVID-19 Interpretable Diagnosis Algorithm Based on a Small Number of Chest X-Ray Samples. Journal of Shanghai Jiaotong University (Science), 27(1), 81-89.
Cheng, J., Huang, W., Cao, S., Yang, R., Yang, W., Yun, Z., & Feng, Q. (2015). Enhanced performance of brain tumor classification via tumor region augmentation and partition. PloS One, 10(10), e0140381.
Cheng, J., Yang, W., Huang, M., Huang, W., Jiang, J., Zhou, Y., & Chen, W. (2016). Retrieval of brain tumors by adaptive spatial pooling and fisher vector representation. PloS One, 11(6), e0157112.
Chollet, F. et al. Keras. (2015). https://keras.io/.
Conover, W. J. (1999). Practical nonparametric statistics. John Wiley & Sons.
Cui, S., Tseng, H. H., Pakela, J., Ten Haken, R. K., & El Naqa, I. (2020). Introduction to machine and deep learning for medical physicists. Medical Physics, 47(5), e127-e147.
Dodge, S., & Karam, L. (2016). Understanding how image quality affects deep neural networks. In 2016 Eighth International Conference on Quality of Multimedia Experience (QoMEX) (pp. 1-6). IEEE.
Howard, A. G., Zhu, M., Chen, B., Kalenichenko, D., Wang, W., Weyand, T., & Adam, H. (2017). Mobilenets: Efficient convolutional neural networks for mobile vision applications. ArXiv Preprint ArXiv:1704.04861.
Hu, J., Shen, L., & Sun, G. (2018). Squeeze-and-excitation networks. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 7132-7141).
Koziarski, M., & Cyganek, B. (2018). Impact of low resolution on image recognition with deep neural networks: An experimental study. International Journal of Applied Mathematics and Computer Science, 28(4).
Levene, H. (1961). Robust tests for equality of variances. Contributions to probability and statistics. Essays in Honor of Harold Hotelling, 279-292.
Lobo, L. C. (2017). Inteligência artificial e medicina. Revista Brasileira de Educação Médica, 41, 185-193.
McRobbie, D. W., Moore, E. A., Graves, M. J., & Prince, M. R. (2017). MRI from Picture to Proton. Cambridge University Press.
Munir, K., Elahi, H., Ayub, A., Frezza, F., & Rizzi, A. (2019). Cancer diagnosis using deep learning: a bibliographic review. Cancers, 11(9), 1235.
Van Rossum, G., & Drake, F. L. (2009). Python 3 Reference Manual. Scotts Valley, CA: CreateSpace.
Sahiner, B., Pezeshk, A., Hadjiiski, L. M., Wang, X., Drukker, K., Cha, K. H., Summers, R. M., & Giger, M. L. (2019). Deep learning in medical imaging and radiation therapy. Medical Physics, 46(1), e1–e36. https://doi.org/10.1002/mp.13264
Shaphiro, S., & Wilk, M. B. J. B. (1965). An analysis of variance test for normality. Biometrika, 52(3), 591-611.
Simonyan, K., & Zisserman, A. (2014). Very deep convolutional networks for large-scale image recognition. ArXiv Preprint ArXiv:1409.1556.
Sola, J., & Sevilla, J. (1997). Importance of input data normalization for the application of neural networks to complex industrial problems. IEEE Transactions on Nuclear Science, 44(3), 1464-1468.
Stadler, A., Schima, W., Ba-Ssalamah, A., Kettenbach, J., & Eisenhuber, E. (2007). Artifacts in body MR imaging: their appearance and how to eliminate them. European Radiology, 17(5), 1242-1255.
Thambawita, V., Strümke, I., Hicks, S. A., Halvorsen, P., Parasa, S., & Riegler, M. A. (2021). Impact of Image Resolution on Deep Learning Performance in Endoscopy Image Classification: An Experimental Study Using a Large Dataset of Endoscopic Images. Diagnostics, 11(12), 2183.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2022 Carlos Leandro Silva dos Prazeres; Perseu Lúcio Alexander Helene de Paula; Mozart Nolasco Monte; Marcela Costa Alcântara Estácio ; Esdras Adriano Barbosa dos Santos; Laelia Campos
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Los autores que publican en esta revista concuerdan con los siguientes términos:
1) Los autores mantienen los derechos de autor y conceden a la revista el derecho de primera publicación, con el trabajo simultáneamente licenciado bajo la Licencia Creative Commons Attribution que permite el compartir el trabajo con reconocimiento de la autoría y publicación inicial en esta revista.
2) Los autores tienen autorización para asumir contratos adicionales por separado, para distribución no exclusiva de la versión del trabajo publicada en esta revista (por ejemplo, publicar en repositorio institucional o como capítulo de libro), con reconocimiento de autoría y publicación inicial en esta revista.
3) Los autores tienen permiso y son estimulados a publicar y distribuir su trabajo en línea (por ejemplo, en repositorios institucionales o en su página personal) a cualquier punto antes o durante el proceso editorial, ya que esto puede generar cambios productivos, así como aumentar el impacto y la cita del trabajo publicado.
