¿Cuál es el mejor algoritmo de clasificación para usar si quiero clasificar los tumores cerebrales como benignos o malignos?

Esto se hace típicamente en análisis de imágenes médicas con la ayuda de lo que se conoce como características cinéticas. Esencialmente se inyecta un tinte y se estudian las características asociadas con el lavado de este tinte. Los tumores malignos tendrán un perfil de lavado diferente en comparación con los benignos. Las imágenes se recogen en varios momentos a medida que se lava el tinte y se realiza un análisis de textura del tumor en cada punto de tiempo. Los valores de textura cambian de forma diferente en los tumores benignos y malignos y estos valores se pueden alimentar a una máquina de vectores de soporte (SVM) para aprender a distinguir los tumores benignos de los malignos. Para más detalles mira:

Marcadores tumorales de heterogeneidad cinética de DCE-MRI mamaria: asociaciones preliminares con respuesta de quimioterapia neoadyuvante

Cinética textural: una novedosa función dinámica de contraste mejorada (DCE) para la clasificación de lesiones mamarias.

Como lo implica el Dr. Lovett, cualquier cosa que tenga que ver con la salud humana es y debe ser cuidadosamente regulada. Suponiendo que se trata de un ejercicio académico, los histogramas de LBP son una de las mejores formas de caracterizar texturas en imágenes. El LBP mide el brillo relativo, por lo que no es sensible a los cambios en la iluminación, pero los histogramas de LBP no tienen información geométrica. Si hay distinciones morfológicas importantes entre las clases; a continuación, debe registrar sus imágenes mediante funciones o medidas clave, y colocar una imagen en mosaico, luego concatenar los histogramas de LBP para cada mosaico. Después de haber creado las medidas por imagen, puede entrenar un clasificador usando SVM, bosques aleatorios, etc.
También puede ver las técnicas no supervisadas, pero pueden tardar mucho tiempo en converger dependiendo de la granularidad de la textura.

Soy un médico de urgencias, no un neurólogo o neurocirujano. (Por favor, también revise el descargo de responsabilidad en la parte inferior; no estoy dando consejos médicos).

Localicé una referencia que podría ser útil:
Conceptos actuales y revisión de la literatura

Esto enumera las siguientes categorías de tumores cerebrales * primarios:
Glioblastoma
Astrocitoma
Oligodendroglioma
Meningioma
Glioma mixto
Ependimoma
Meduloblastoma / embrionario / primitivo
Astrocitoma pilocítico

Tenga en cuenta que este listado no separa los tipos de tumor en benignos o malignos. Tampoco incluye tumores metastásicos (es decir, tumores en el cerebro que se han diseminado a partir de neoplasmas en otros tejidos / órganos). Finalmente, esto no hace referencia a la textura de MRI. Entonces no puedo dar una respuesta directa.

Gracias por el A2A. Como ya sabe la función que tiene la intención de usar, le sugiero que use un clasificador SVM para ver qué tan bien funciona la característica de textura en su conjunto de datos. La mejor forma de ver esto sería mediante la validación cruzada. Según mi experiencia, una característica única generalmente no es suficiente. Si el rendimiento no es óptimo, debe usar edge, gabor, etc. en la concatenación con la función de textura.

esto podría ser útil: http://webdocs.cs.ualberta.ca/~b

El sistema actualmente utilizado es el sistema de clasificación de la OMS, que divide los tumores del SNC en benignos (grado I) y malignos (de malignidad creciente de grado II a grado IV), en base a sus parámetros histológicos e invasivos / expansivos específicos para cada hystotype (necrosis, proliferación vascular, mitosis, atipia nuclear …) que correlacionan de alguna manera con la capacidad del tumor para proliferar.
El glioma pilocítico es de grado I, el glioblastoma es de grado IV.
Importante: la malignidad de estos neoplasmas no está relacionada con el potencial metastásico, ya que un tumor en el cerebro puede ser muy letal aunque sea localmente agresivo.