Evaluación comparativa de modelos de clasificación CNN de tumores cerebrales en imágenes MRI
Barra lateral del artículo
Contenido principal del artículo
Resumen
La investigación realiza una evaluación comparativa de modelos de redes neuronales convolucionales (CNNs) para la clasificación de tumores cerebrales en imágenes MRI, en respuesta a la necesidad de sistemas de diagnóstico automatizado que sean precisos y eficientes en el ámbito médico. Se utilizaron 1683 imágenes obtenidas de repositorios públicos que correspondían a adenomas (403), gliomas (459), meningiomas (416) y tejido sano (405). La metodología empleada en esta investigación incluyó cinco fases: adquisición, preprocesamiento con interpolación y corrección de valores atípicos, balance de clases usando SMOTE, aumento de datos, aprendizaje por transferencia y evaluación. Se entrenaron dieciocho arquitecturas de CNNs, de las cuales solo nueve lograban un nivel de precisión ?80%. BrainNet-7 logró la mayor precisión (99,2%), seguido de EfficientNet-B2 (98,7%) y Swin Transformer Tiny (98,0%). Por otro lado, la validación mediante las métricas estándar y Grad-CAM mostró que BrainNet-7 y EfficientNet-B2 son los modelos que tienen relevancia clínica
Descargas
Detalles del artículo
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
El contenido de los articulos es de exclusiva responsabilidad de los autores.
Deberá cumplir con los siguentes aspectos de la Licencia CC BY NC ND :
- Atribución : Debe otorgar el crédito correspondiente, proporcionar un enlace a la licencia e indicar si se realizaron cambios. Puede hacerlo de cualquier manera razonable, pero no de ninguna manera que sugiera que el licenciante lo respalda a usted o su uso.
- No Comercial : No se puede utilizar el material con fines comerciales.
- Sin derivados : Si remezcla, transforma o construye sobre el material, no puede distribuir el material modificado.
- Sin restricciones adicionales : No se pueden aplicar términos legales o medidas tecnológicas que restrinjan legalmente a otros de hacer cualquier cosa que permita la licencia.
Citas
Aamir, M., Rahman, Z., Bhatti, U. A., et al. (2025). An automated deep learning framework for brain tumor classification using MRI imagery. Scientific Reports, 15, 17593. Documento en línea. Disponible https://doi.org/10.1038/s41598-025-02209-2
Alam, F., Tisha, F. C., Rahman, S. A., Sultana, S., Chowdhury, M. A. M., Reza, A. W., & Arefin, M. S. (2022). Automated Brain Disease Classification using Transfer Learning based Deep Learning Models. International Journal of Advanced Computer Science and Applications: IJACSA, 13(9). Documento en línea. Disponible https://doi.org/10.14569/ijacsa.2022.01309109
Bansal, S., Jadon, R. S., & Gupta, S. K. (2024). A robust hybrid convolutional network for tumor classification using brain MRI image datasets. International Journal of Advanced Computer Science and Applications.
Disci, R., Gurcan, F., & Soylu, A. (2025). Advanced brain tumor classification in MR images using transfer learning and pre-trained deep CNN models. Cancers, 17(1), 121. Documento en línea. Disponible https://doi.org/10.3390/cancers17010121
Elhadidy, M. S., Elgohr, A. T., El-Geneedy, M., Akram, S., & Kasem, H. M. (2025). Comparative analysis for accurate multi-classification of brain tumor based on significant deep learning models. Computers in Biology and Medicine, 188, 109872
Gundogan, E. (2025). A novel hybrid deep learning model enhanced with explainable AI for brain tumor multi-classification from MRI images. Applied Sciences, 15(10), 5412. Documento en línea. Disponible https://doi.org/10.3390/app15105412
Ishaq, A., Ullah, F. U. M., Hamandawana, P., Cho, D.-J., & Chung, T.-S. (2025). Arquitectura EfficientNet mejorada para la detección multigrado de tumores cerebrales. Electronics, 14(4), 710. Documento en línea. Disponible https://doi.org/10.3390/electronics14040710
Lamrani, D., Cherradi, B., Gannour, O. E., Bouqentar, M. A., & Bahatti, L. (2022). Brain tumor detection using MRI images and convolutional neural network. International Journal of Advanced Computer Science and Applications.
Mahjoubi, M. A., Hamida, S., Gannour, O. E., Cherradi, B., Abbassi, A., & Raihani, A. (2023). Improved multiclass brain tumor detection using convolutional neural networks and magnetic resonance imaging. International Journal of Advanced Computer Science and Applications.
Mitra, S. (2023). Aprendizaje profundo con radiogenómica para el manejo personalizado de gliomas. IEEE Reviews in Biomedical Engineering, 16, 579–593. Documento en línea. Disponible https://doi.org/10.1109/RBME.2021.3075500
Mohammed, A. A. A. (2024). Deep learning approach to classify brain tumors from magnetic resonance imaging images. International Journal of Advanced Computer Science and Applications.
Nickparvar. (2021). Brain MRI images for brain tumor detection. Kaggle. Documento en línea. Disponible https://www.kaggle.com/zhiyu/brain-mri-images-for-brain-tumor-detection
Qadri, N. A. (2022, August). Brain tumor MRI image dataset. Figshare. Documento en línea. Disponible https://doi.org/10.6084/m9.figshare.XXXXXXX.v1
Rashid, M. H. O., Akter, S., & Akhi, A. B. (2022). BrainNet-7: A CNN model for diagnosing brain tumors from MRI images based on an ablation study. International Journal of Advanced Computer Science and Applications.
Razi, F. A., Bustamam, A., Latifah, A., & Ahmad, S. (2023). Automated classification of multiclass brain tumor MRI images using enhanced deep learning technique. International Journal of Advanced Computer Science and Applications.
Rezk, N. G., Alshathri, S., Sayed, A., Hemdan, E. E.-D., & El-Behery, H. (2025). Secure hybrid deep learning for MRI-based brain tumor detection in smart medical IoT systems. Diagnostics, 15(5), 639. Documento en línea. Disponible https://doi.org/10.3390/diagnostics15050639
Sánchez-Moreno, L., Pérez-Peña, A., Duran-López, L., & Domínguez-Morales, J. P. (2025). Ensemble-based convolutional neural networks for brain tumor classification in MRI: Enhancing accuracy and interpretability using explainable AI. Computers in Biology and Medicine, 195, 110555. Documento en línea. Disponible https://doi.org/10.1016/j.compbiomed.2025.110555
Saxena, S., Chauhan, R., Bhatt, C., & Devliyal, S. (2025). Brain tumor detection using integrated approach of FCM & convolutional neural network. In Challenges in Information, Communication and Computing Technology (pp. 292–298). CRC Press.
Tao, Y., Lu, X., Yang, L., Yang, M., Chen, J., & Zhao, H. (2025). Application of MRI image segmentation algorithm for brain tumors based on improved YOLO. Frontiers in Neuroscience, 18, 1510175. Documento en línea. Disponible https://doi.org/10.3389/fnins.2024.1510175
Tehsin, S., Nasir, I. M., & Damaševi?ius, R. (2025). GATransformer: A graph attention network-based transformer model to generate explainable attentions for brain tumor detection. Algorithms, 18(2), 89. Documento en línea. Disponible https://doi.org/10.3390/a18020089
Yinusa, A., & Faezipour, M. (2025). A multi-layered defense against adversarial attacks in brain tumor classification using ensemble adversarial training and feature squeezing. Scientific Reports, 15, 16804. Documento en línea. Disponible https://doi.org/10.1038/s41598-025-00890-x
Zaitoon, R., & Syed, H. (2023). Enhanced brain tumor detection and classification in MRI scans using convolutional neural networks. International Journal of Advanced Computer Science and Applications.