Experimento da utilização de Deep Learning para auxílio na detecção de Tumor Cerebral

• Natália Caroline de Oliveira Rodrigues UFOP

DOI: https://doi.org/10.5753/ercas.2024.238716

Resumo

O artigo demonstra o potencial de redes neurais, como EfficientNetB1, VGG-19 e VGG-16, na detecção e classificação de tumores cerebrais através de imagens de ressonância magnética. Destaca-se que o EfficientNetB1 superou os demais, ressaltando a relevância do aprendizado profundo na medicina e sua aplicabilidade em contextos educacionais para enriquecer o conhecimento e práticas médicas.

Referências

Ahmad, J., Muhammad, K., Lee, M. Y., and Baik, S. W. (2017). Endoscopic image classification and retrieval using clustered convolutional features. Journal of medical systems, 41(12):1–12.

Işın, A., Direkoğlu, C., and Şah, M. (2016). Review of mri-based brain tumor image segmentation using deep learning methods. Procedia Computer Science, 102:317–324.

Koerich, A. H., de Campos Lana, G., Damin, S. D. A., and Hedel, M. A. (2024). Deep learning na segmentação de tumores cerebrais em ressonância magnética: uma revisão de literatura. Cuadernos de Educación y Desarrollo, 16(2 Edição Especial).

Sengupta, N., McNabb, C. B., Kasabov, N., and Russell, B. R. (2018). Integrating space, time, and orientation in spiking neural networks: A case study on multimodal brain data modeling. IEEE Transactions on neural Networks and Learning systems, 29(11):5249–5263.

Talebi, S., Gai, S., Sossin, A., Zhu, V., Tong, E., and Mofrad, M. R. (2024). Deep learning for perfusion cerebral blood flow (cbf) and volume (cbv) predictions and diagnostics. Annals of Biomedical Engineering, pages 1–8.

Uema, J. and Silva, L. M. A. F. d. (2022). Deep learning aplicado a neuroimaging.