Este Trabajo Fin de Grado, tiene como objetivo desarrollar un sistema de diagnóstico que se centrará en tumores cerebrales mediante el uso de técnicas de Deep Learning. El problema que abordar es la necesidad de mejorar la precisión y eficiencia en la detección a través de resonancias magnéticas o, en inglés, Magnetic Resonance Imaging (MRI), una tarea crítica en la práctica médica actual. Para alcanzar este objetivo, se seleccionó y utilizó la arquitectura de redes neuronales convolucionales VGG16, conocida por su eficacia en tareas de clasificación de imágenes. Su entrenamiento y evaluación se hizo con datasets públicos de Kaggle. Las herramientas usadas comprenden librerías de Python como NumPy, Matplotlib, Keras y TensorFlow. Los resultados demostraron que el modelo desarrollado es eficaz en la clasificación de MRI, logrando una precisión significativa. Este hecho sugiere que el uso de modelos de Deep Learning puede mejorar la exactitud de diagnóstico médico y apoyar a los profesionales de la salud en la detección temprana de enfermedades. Se concluye que este Trabajo Fin de Grado puede contribuir a futuras investigaciones y a varias ODS, como el acceso equitativo a diagnósticos médicos de alta calidad, especialmente en regiones con recursos limitados.
ABSTRACT
This research aims to develop a diagnostic system, which will focus on detecting brain tumours through Deep learning techniques. The problem being addressed is the need to improve accuracy and efficiency in the diagnostic detection through magnetic resonance imaging (MRI), a critical task in current medical practice. The main objective of this project is to implement a deep learning model capable of classifying MRI images to identify the presence of brain tumours. To achieve this goal, the VGG16 convolutional neural network architecture, known for its efficiency in image classification tasks, was selected and used. Its training and evaluation were done with public Kale datasets. The tools used comprise Python libraries such as NumPy, Matplotlib, Keras and TensorFlow. The results showed that the developed model is effective in the classification of MRI images, achieving significant accuracy. This fact suggests that the use of deep learning models can improve the accuracy of medical diagnosis and support healthcare professionals in the early detection of diseases. It is concluded that this research contributes to future research and several SDGs, as promoting equitable access to high-quality medical diagnostics, especially in resource-limited regions.
Este Trabajo Fin de Grado, tiene como objetivo desarrollar un sistema de diagnóstico que se centrará en tumores cerebrales mediante el uso de técnicas de Deep Learning. El problema que abordar es la necesidad de mejorar la precisión y eficiencia en la detección a través de resonancias magnéticas o, en inglés, Magnetic Resonance Imaging (MRI), una tarea crítica en la práctica médica actual. Para alcanzar este objetivo, se seleccionó y utilizó la arquitectura de redes neuronales convolucionales VGG16, conocida por su eficacia en tareas de clasificación de imágenes. Su entrenamiento y evaluación se hizo con datasets públicos de Kaggle. Las herramientas usadas comprenden librerías de Python como NumPy, Matplotlib, Keras y TensorFlow. Los resultados demostraron que el modelo desarrollado es eficaz en la clasificación de MRI, logrando una precisión significativa. Este hecho sugiere que el uso de modelos de Deep Learning puede mejorar la exactitud de diagnóstico médico y apoyar a los profesionales de la salud en la detección temprana de enfermedades. Se concluye que este Trabajo Fin de Grado puede contribuir a futuras investigaciones y a varias ODS, como el acceso equitativo a diagnósticos médicos de alta calidad, especialmente en regiones con recursos limitados.
ABSTRACT
This research aims to develop a diagnostic system, which will focus on detecting brain tumours through Deep learning techniques. The problem being addressed is the need to improve accuracy and efficiency in the diagnostic detection through magnetic resonance imaging (MRI), a critical task in current medical practice. The main objective of this project is to implement a deep learning model capable of classifying MRI images to identify the presence of brain tumours. To achieve this goal, the VGG16 convolutional neural network architecture, known for its efficiency in image classification tasks, was selected and used. Its training and evaluation were done with public Kale datasets. The tools used comprise Python libraries such as NumPy, Matplotlib, Keras and TensorFlow. The results showed that the developed model is effective in the classification of MRI images, achieving significant accuracy. This fact suggests that the use of deep learning models can improve the accuracy of medical diagnosis and support healthcare professionals in the early detection of diseases. It is concluded that this research contributes to future research and several SDGs, as promoting equitable access to high-quality medical diagnostics, especially in resource-limited regions. Read More
Related posts:
Bentham Science Publishers Puts Six Journals on ResearchGate
Técnicas de IA para el diagnóstico precoz de Leucemia Mieloide Aguda
mediante la detección de ADN en biopsia líquida: estudio del estado del arte
Computer vision approach for multi-level pain assessment through facial expressions
Transformers for extracting breast cancer information from Spanish clinical narratives
Desarrollo de funcionalidades de recogida de información en una App para la ayuda al diagnóstico temprano de la enfermedad de Parkinson
Tecnologías de la información y de la comunicación (TIC) en educación: ventajas y desventajas: revisión sistemática