Resumen

La ecografía es actualmente una forma eficaz de detección y diagnóstico del cáncer debido a su comodidad e inocuidad para el ser humano. Tradicionalmente, primero se segmentan los límites de la lesión y, a continuación, se realiza la clasificación para determinar si el tumor es benigno o maligno. Además, los sonogramas suelen contener mucho ruido de moteado e inhomogeneidad de intensidad. Este estudio propone un nuevo sistema de clasificación de tumores benignos o malignos que incluye la corrección de la falta de homogeneidad de la intensidad y el autoencoder de eliminación de ruido apilado (SDAE), y es adecuado para conjuntos de datos de pequeño tamaño. Se establece un clasificador mediante la extracción de características en el entrenamiento multicapa de SDAE; el análisis automático de las características de las imágenes mediante el algoritmo de aprendizaje profundo se aplica a la clasificación de imágenes, lo que permite que el sistema tenga una alta eficiencia y una distinción robusta. En este estudio, se utilizan dos tipos de conjuntos de datos (datos privados y datos públicos) para el entrenamiento de modelos de aprendizaje profundo. Para cada conjunto de datos, se comparan dos grupos de imágenes de prueba: las imágenes originales y las imágenes tras la corrección de la falta de homogeneidad de la intensidad, respectivamente. Los resultados muestran que cuando se aplica el algoritmo de aprendizaje profundo a los ecogramas después de la corrección de la falta de homogeneidad de la intensidad, se produce un aumento significativo de la precisión en la distinción de tumores. Este estudio ha demostrado que es importante utilizar el preprocesamiento para resaltar las características de la imagen y proporcionarlas a los modelos de aprendizaje profundo. De este modo, la precisión de la clasificación será mejor que si solo se utilizan las imágenes originales para el aprendizaje profundo.

• Materias:Señales orofaciales Clasificación del cáncer Terapia de exposición Resonancias magnéticas Medicina de precisión
• Subjects:Orofacial signals Cancer classification Exposure therapy Magnetic resonance imaging Precision medicine
• Palabras claves:corrección de la falta de homogeneidad de la intensidad, estudio, imágenes originales, entrenamiento de modelos de aprendizaje profundo, sistema de clasificación de tumores malignos, algoritmo de aprendizaje profundo, modelos de aprendizaje profundo, detección eficaz del cáncer, segmentación de los límites de las lesiones, mucho ruido de moteado
• Keywords:intensity inhomogeneity correction, study, original images, deep learning models training, malignant tumor classification system, deep learning algorithm, deep learning models, effective cancer screening, lesion boundary segmentation, much speckle noise