Detección y Clasificación de Tumores Cerebrales con Deep Learning

Proyecto de Deep Learning para la detección y clasificación automática de tumores cerebrales en imágenes de Resonancia Magnética (MRI) utilizando Redes Neuronales Convolucionales.

📋 Descripción

Este proyecto implementa una Red Neuronal Convolucional (CNN) capaz de:

• Detectar la presencia de tumores cerebrales en imágenes MRI
• Clasificar el tipo de tumor en 4 categorías:
  • Glioma
  • Meningioma
  • Tumor Pituitario (Adenoma)
  • No Tumor

🎯 Contexto y Motivación

Anualmente se diagnostican aproximadamente 300,000 nuevos casos de tumores cerebrales en el mundo. En México, la incidencia es de 3.5 casos por cada 100,000 habitantes. La detección temprana y clasificación precisa de estos tumores es crucial para seleccionar el tratamiento más adecuado y mejorar las tasas de supervivencia de los pacientes.

📊 Dataset

El proyecto utiliza un conjunto público de datos disponible en Kaggle:

• Fuente: Brain Tumor MRI Dataset
• Total de imágenes: 7,023 MRIs reales del cerebro humano
• Distribución:
  • Entrenamiento: 5,712 imágenes (80% train, 20% validation)
  • Prueba: 1,311 imágenes
• Clases: 4 (glioma, meningioma, pituitary, no tumor)

🔧 Preprocesamiento

Todas las imágenes fueron procesadas para:

• Normalizar tamaño a 256×256 píxeles
• Convertir a escala de grises
• Eliminar ruido y marcos
• Centrar las imágenes

Durante el entrenamiento se aplicó Data Augmentation mediante:

• Rotaciones
• Acercamientos (zoom)
• Volteos horizontales

🏗️ Arquitectura de la CNN

Capas de Entrada

• Capa convolucional: 256 filtros (7×7), stride=2, activación ReLU
• Max Pooling: tamaño 3×3, stride=2

Capas Intermedias

1. Conv2D: 256 → 256 filtros (ReLU)
2. Conv2D: 256 → 512 filtros (ReLU)
3. Conv2D: 512 → 256 filtros (ReLU)
4. Conv2D: 256 → 128 filtros (ReLU)

Capas de Salida

• Global Average Pooling: 128 → 4
• Dense Layer: 4 clases con activación Softmax

Parámetros totales: ~15 millones

📈 Resultados

Conjunto	Categorical Cross-Entropy	Accuracy
Entrenamiento	0.43	84.1%
Validación	0.34	89.4%
Prueba	0.51	81.1%

El modelo alcanza una precisión del 81.1% en el conjunto de prueba, con una variación de 3.6% respecto al conjunto de entrenamiento.

🛠️ Tecnologías

• Python 3
• TensorFlow 2.7.0
• Keras 2.7.0
• TFRecord (formato de almacenamiento optimizado)

📝 Métricas de Evaluación

• Categorical Cross-Entropy: Cuantifica la diferencia entre las distribuciones de probabilidad predichas y reales
• Categorical Accuracy: Porcentaje de predicciones correctas sobre el total

🔮 Mejoras Futuras

• Entrenar por más épocas para mejorar las métricas en datos de prueba
• Agregar métricas de evaluación por categoría/clase
• Explorar diferentes arquitecturas de CNN (ResNet, EfficientNet, etc.)
• Aumentar el conjunto de datos de entrenamiento
• Implementar técnicas de regularización adicionales
• Desarrollar una aplicación web para uso clínico

👨‍💻 Autor

Cristian Armando Flores Álvarez

Proyecto Final - Diplomado en Ciencia de Datos
DGTIC - UNAM
Enero 2022

📚 Referencias

• La guía definitiva de las Redes Neuronales Convolucionales
• Categorical Crossentropy - Peltarion
• Keras Accuracy Metrics
• UNAM - Boletín sobre tumores cerebrales

📄 Licencia

Este proyecto fue desarrollado con fines educativos como parte del Diplomado en Ciencia de Datos de la UNAM.

---

⭐ Si este proyecto te resulta útil, no olvides darle una estrella!