02 / Visión artificial · Deep learning
Brain Tumor Detection
Clasificación interpretable de resonancias magnéticas
Un pipeline experimental que aprende rasgos anatómicos compactos con un autoencoder, clasifica resonancias magnéticas desde la representación latente y usa Grad-CAM para inspeccionar las regiones que influyen en cada predicción.
- TensorFlow / Keras
- Autoencoder
- Grad-CAM
- OpenCV
- scikit-learn
- Tipo
- Proyecto personal de visión artificial
- Dataset
- Br35H: 450 resonancias magnéticas, split 70/15/15
- Resultado
- 96% de exactitud en test · 450 imágenes
Resultados de una ejecución real
4 imágenes
Cómo funciona
Enfoque
Aprender la anatomía
Un autoencoder convolucional comprime cada resonancia de 128x128 en una representación latente compacta, obligándole a conservar los patrones que importan.
Clasificar desde el espacio latente
La mitad codificadora alimenta un clasificador binario con dropout y batch normalization, evaluado con precision, recall y F1 sobre un conjunto de test reservado.
Explicar cada decisión
Los mapas de calor Grad-CAM sobre la última capa convolucional del encoder muestran qué regiones empujaron cada decisión, tanto en casos con tumor como sin tumor.
Las pruebas
detrás del caso.