Desenvolvimento e otimização de redes neurais convolucionais com fine-tuning para a classificação multiclasse de tumores cerebrais em Imagens de ressonância magnética

Abstract

O diagnóstico automatizado de tumores cerebrais a partir de imagens de ressonância magnética (RM) é essencial para a detecção precoce e o tratamento adequado dessas patologias. No entanto, a variabilidade nas características das imagens e a complexidade dos padrões presentes nos tumores tornam essa tarefa desaadora. Nesse contexto, a aplicação de técnicas de aprendizado profundo tem-se mostrado promissora para aprimorar a acurácia e a conabilidade da classicação automática dessas imagens. Este estudo investiga o impacto da técnica de Fine-Tuning em redes neurais convolucionais (CNNs) para a classicação de tumores cerebrais em imagens de RM. Além disso, são comparadas abordagens baseadas em extratores de características clássicos e modelos de aprendizado de máquina tradicionais, objetivando identicar as melhores combinações de técnicas para a classicação de tumores em múltiplas classes: glioma, meningioma, pituitária e casos saudáveis. A metodologia empregada envolveu um pré-processamento, incluindo a aplicação de técnicas de data augmentation, inserção de distorções para simular amostras de baixa qualidade e segmentação da região de interesse. Em seguida, as imagens foram submetidas a diferentes extratores de características e classicadas por algoritmos como Support Vector Machine (SVM) com kernels Linear e RBF, Random Forest, K-Nearest Neighbors (KNN),Naive Bayes eMultilayer Perceptron (MLP).Alémdisso,foramavaliadas arquiteturasavançadasdeCNNs,incluindoVGG-16, VGG-19, ResNet50V2, NasNetMobile, MobileNetV2, InceptionV3, EcientNet-B0, DenseNet121 e XCeption, todas adaptadas com Fine-Tuning. A otimização dos hiperparâmetros foi realizada por meio de Grid Search, e os modelos foram avaliados em 10 execuções distintas, considerando médias e desvios padrão das métricas para validação estatística. Os resultados mostraram que, para a classicação binária (saudável vs. com tumor), a melhor performance foi obtida pela combinação dos Momentos de Zernike com Random Forest, atingindo uma acurácia média de 96,83% no conjunto de teste. Já na classicação multiclasses (saudável, meningioma, glioma e pituitária), a arquitetura XCeption adaptada com Fine-Tuning se destacou, alcançando uma acurácia média de 99,21%. Conclui-se que a abordagem baseada em Fine-Tuning de CNNs é altamente ecaz na classicação de tumores cerebrais, superando métodos tradicionais de extração de características