Deep learning as a tool for improving efficiency the of glial tumor diagnosis

Abstract

La aplicación de técnicas basadas en Inteligencia Artificial como apoyo a la detección y diagnosis de cáncer mediante imagen es una práctica muy extendida hoy día. Además, el reconocimiento por regiones de interés y otros algoritmos constituyen una rama de investigación amplia que mejoran considerablemente la calidad de la clasificación. En este trabajo, se propone como caso de estudio la identificación del tumor glial con Imágenes por Resonancia Magnética de pacientes sanos y enfermos mediante la combinación de algoritmos de Deep Learning de detección de regiones que se basan en la extracción de regiones de interés en la imagen utilizando una red Spatial Pyramid Pooling combinado con la modificación de las imágenes de entrada con el algoritmo Fuzzy c-means. Obteniendo un acierto cercano al del personal sanitario.

Nowadays, existing Artificial Intelligent techniques are used as a support for cancer detection and diagnosis. Moreover, regional object interest and other related algorithms have become common place for improving the quality of the classification. Opening a wide field of interest and research. In this work, a deep neural network based on a new pooling strategy and image segmentation (Fuzzy c-means) [1] is proposed for glial tumor in Magnetic Resonance Imaging (MRI) images by using Region of Interests methods as Spatial Pyramid Pooling. The power of SPP-net is the possibility of working with feature maps from images with different sizes, and then subsampling these features to generate a fixed-length set and to implement finally a classification step.