Nuevas Arquitecturas de Aprendizaje Profundo para la Clasificación y Segmentación de Tumores Cerebrales a partir de Imágenes de Resonancia Magnética

Novel Deep Learning Architectures for Classification and Segmentation of Brain Tumors from MRI Images

December 6, 2025

Autores: Sayan Das, Arghadip Biswas

cs.AI

Resumen

Los tumores cerebrales representan una amenaza significativa para la vida humana, por lo que es muy necesario detectarlos con precisión en las etapas iniciales para un mejor diagnóstico y tratamiento. Los radiólogos pueden detectar los tumores cerebrales manualmente a partir de las imágenes de resonancia magnética (IRM) de los pacientes. Sin embargo, la incidencia de tumores cerebrales ha aumentado entre niños y adolescentes en los últimos años, lo que genera un volumen sustancial de datos y, como resultado, la detección manual resulta lenta y difícil. Con el surgimiento de la inteligencia artificial en el mundo moderno y su vasta aplicación en el campo médico, podemos plantear un enfoque basado en sistemas CAD (Diagnóstico Asistido por Computadora) para la detección automática temprana de tumores cerebrales. Todos los modelos existentes para esta tarea no están completamente generalizados y tienen un rendimiento deficiente con los datos de validación. Por ello, hemos propuesto dos novedosas arquitecturas de aprendizaje profundo: (a) SAETCN (Red de Clasificación de Tumores con Mejora de Autoatención) para la clasificación de diferentes tipos de tumores cerebrales. Hemos logrado una precisión del 99.38% en el conjunto de datos de validación, lo que la convierte en una de las pocas arquitecturas novedosas basadas en aprendizaje profundo capaz de detectar tumores cerebrales con precisión. Entrenamos el modelo con un conjunto de datos que contiene imágenes de 3 tipos de tumores (glioma, meningioma y tumores pituitarios) y casos sin tumor. Y (b) SAS-Net (Red de Segmentación con Autoatención) para la segmentación precisa de tumores cerebrales. Hemos logrado una precisión global a nivel de píxel del 99.23%.

English

Brain tumors pose a significant threat to human life, therefore it is very much necessary to detect them accurately in the early stages for better diagnosis and treatment. Brain tumors can be detected by the radiologist manually from the MRI scan images of the patients. However, the incidence of brain tumors has risen amongst children and adolescents in recent years, resulting in a substantial volume of data, as a result, it is time-consuming and difficult to detect manually. With the emergence of Artificial intelligence in the modern world and its vast application in the medical field, we can make an approach to the CAD (Computer Aided Diagnosis) system for the early detection of Brain tumors automatically. All the existing models for this task are not completely generalized and perform poorly on the validation data. So, we have proposed two novel Deep Learning Architectures - (a) SAETCN (Self-Attention Enhancement Tumor Classification Network) for the classification of different kinds of brain tumors. We have achieved an accuracy of 99.38% on the validation dataset making it one of the few Novel Deep learning-based architecture that is capable of detecting brain tumors accurately. We have trained the model on the dataset, which contains images of 3 types of tumors (glioma, meningioma, and pituitary tumors) and non-tumor cases. and (b) SAS-Net (Self-Attentive Segmentation Network) for the accurate segmentation of brain tumors. We have achieved an overall pixel accuracy of 99.23%.