Enhancing Brain Tumor Classification Using Vision Transformers with Colormap-Based Feature Representation on BRISC2025 Dataset

Resumen Técnico: Mejora de la Clasificación de Tumores Cerebrales mediante Vision Transformers y Representación de Características Basada en Mapas de Color

1. Planteamiento del Problema
La clasificación precisa de tumores cerebrales a partir de imágenes de resonancia magnética (MRI) es fundamental para el diagnóstico temprano y la planificación del tratamiento. Sin embargo, la interpretación manual es lenta y propensa a la variabilidad entre observadores. Aunque las Redes Neuronales Convolucionales (CNN) han tenido éxito, a menudo tienen dificultades para capturar dependencias de largo alcance y contexto global, que son cruciales para entender estructuras anatómicas complejas en las MRI. Además, las variaciones sutiles de intensidad en las imágenes en escala de grises pueden no ser lo suficientemente discriminativas para los modelos estándar, lo que limita su rendimiento en escenarios de clasificación multiclase.

2. Metodología Propuesta
El autor, Faisal Ahmed, propone un marco de trabajo de aprendizaje profundo que combina Vision Transformers (ViT) con una técnica de preprocesamiento innovadora basada en mapas de color (colormap).

• Transformación de Mapas de Color: Antes de la entrada al modelo, las imágenes MRI en escala de grises se normalizan y se transforman mediante una función no lineal (ej. mapa de color "jet") a una representación pseudo-color. Esto tiene como objetivo resaltar las variaciones sutiles de intensidad y los patrones estructurales, mejorando la separabilidad de las características.
• Arquitectura Vision Transformer (ViT): Se utiliza una arquitectura ViT preentrenada (ViT-Base-Patch16-224).
  • Las imágenes transformadas (224x224) se dividen en parches no superpuestos de 16x16.
  • Cada parche se proyecta en un espacio de embeddings latentes.
  • Se añaden un token de clasificación aprendible y codificaciones posicionales.
  • La secuencia se procesa a través de múltiples capas de codificadores Transformer que utilizan mecanismos de auto-atención multi-cabeza para capturar relaciones globales entre regiones de la imagen.
• Entrenamiento y Evaluación:
  • Dataset: Se utiliza el dataset BRISC2025, que contiene aproximadamente 6,000 escaneos MRI T1 ponderados con contraste, divididos en cuatro clases: Glioma, Meningioma, Tumor Pituitario y No-tumoroso.
  • Estrategia: El modelo se entrena sin aumento de datos artificial (rotación, volteo), confiando en la capacidad de generalización del ViT preentrenado y la mejora de características por el mapa de color. Se emplea una función de pérdida de entropía cruzada categórica, el optimizador Adam y un mecanismo de parada temprana (early stopping) con una paciencia de 15 épocas para evitar el sobreajuste.
  • Hardware: Los experimentos se realizaron en un equipo con chip Apple M1.

3. Contribuciones Clave

• Marco Híbrido Innovador: Integración exitosa de la arquitectura Transformer con una técnica de preprocesamiento visual (mapas de color) para la clasificación de tumores cerebrales.
• Superioridad sobre CNNs: Demostración de que el enfoque propuesto supera a arquitecturas CNN de vanguardia (ResNet50, ResNet101 y EfficientNetB2) en la tarea de clasificación de cuatro clases.
• Alto Rendimiento y Generalización: Logro de métricas excepcionales, destacando una precisión del 98.90% y un AUC del 99.97%, lo que indica una capacidad discriminativa casi perfecta.
• Interpretabilidad: El uso de mapas de color no solo mejora el rendimiento, sino que facilita la visualización de características estructurales sutiles, contribuyendo a la interpretabilidad del modelo.
• Validación Rigurosa: Evaluación exhaustiva utilizando múltiples métricas (precisión, recall, F1-score, matriz de confusión y curvas ROC) en un dataset de referencia (BRISC2025).

4. Resultados
Los experimentos comparativos arrojaron los siguientes resultados en el dataset BRISC2025:

• Modelo Propuesto (ViT + Colormap):
  • Precisión: 98.99%
  • Recall: 98.98%
  • F1-Score: 98.98%
  • Precisión Global (Accuracy): 98.90%
  • Área bajo la curva (AUC): 99.97%
• Modelos Basales (CNN):
  • ResNet50: 98.20% de precisión.
  • ResNet101: 98.09% de precisión.
  • EfficientNetB2: 98.37% de precisión.

El análisis de la matriz de confusión y las curvas ROC mostró una separabilidad excelente entre las clases y una tasa mínima de mal clasificación, confirmando la robustez del modelo frente a los enfoques basados en CNN.

5. Significado e Impacto
Este estudio demuestra que la combinación de la capacidad de modelado de contexto global de los Transformers con técnicas de mejora de características visuales (mapas de color) es altamente efectiva para el análisis de imágenes médicas.

• Avance Clínico: El método ofrece una herramienta de apoyo a la decisión clínica más precisa y confiable, capaz de distinguir entre tipos de tumores complejos y casos no tumorosos con alta fiabilidad.
• Eficiencia: Al no requerir aumento de datos artificial extensivo, el flujo de trabajo se simplifica y se preservan las características anatómicas originales.
• Futuro: La investigación sugiere que estas arquitecturas, combinadas con estrategias de preprocesamiento adecuadas, tienen un gran potencial para ser implementadas en sistemas reales de diagnóstico asistido por computadora, especialmente cuando se integran con datos multimodales en trabajos futuros.

En conclusión, el artículo valida que superar las limitaciones de las CNN tradicionales mediante Transformers y enriquecimiento de características visuales es una vía prometedora para la neuro-oncología computacional.