Deep learning as a tool for improving efficiency of glial tumor diagnosis

espanolLa aplicacion de tecnicas basadas en Inteligencia Artificial como apoyo a la deteccion y diagnosis de cancer mediante imagen es una practica muy extendida hoy dia. Ademas, el reconocimiento por regiones de interes y otros algoritmos constituyen una rama de investigacion amplia que mejoran considerablemente la calidad de la clasificacion. En este trabajo, se propone como caso de estudio la identificacion del tumor glial con Imagenes por Resonancia Magnetica de pacientes sanos y enfermos mediante la combinacion de algoritmos de Deep Learning de deteccion de regiones que se basan en la extraccion de regiones de interes en la imagen utilizando una red Spatial Pyramid Pooling combinado con la modificacion de las imagenes de entrada con el algoritmo Fuzzy c-means. Obteniendo un acierto cercano al del personal sanitario. EnglishNowadays, existing Artificial Intelligent techniques are used as a support for cancer detection and diagnosis. Moreover, regional object interest and other related algorithms have become common place for improving the quality of the classification. Opening a wide field of interest and research. In this work, a deep neural network based on a new pooling strategy and image segmentation (Fuzzy c-means) [1] is proposed for glial tumor in Magnetic Resonance Imaging (MRI) images by using Region of Interests methods as Spatial Pyramid Pooling. The power of SPP-net is the possibility of working with feature maps from images with different sizes, and then subsampling these features to generate a fixed-length set and to implement finally a classification step.