Detección de melanoma cutáneo a través de la regla ABCD usando algoritmos de aprendizaje profundo
El melanoma es un tipo de cáncer de piel que afecta los melanocitos, estas son las células encargadas de la producción de melanina, esta neoplasia es la de mayor mortalidad de todos los cánceres de piel. Durante los últimos años se ha venido presentando un aumento de nuevos casos, por ejemplo, en Co...
- Autores:
- Tipo de recurso:
- Fecha de publicación:
- 2024
- Institución:
- Universidad del Rosario
- Repositorio:
- Repositorio EdocUR - U. Rosario
- Idioma:
- spa
- OAI Identifier:
- oai:repository.urosario.edu.co:10336/42244
- Acceso en línea:
- https://doi.org/10.48713/10336_42244
https://repository.urosario.edu.co/handle/10336/42244
- Palabra clave:
- Aprendizaje de máquina
Aprendizaje profundo
Clasificación
Melanoma
Regla ABCD
ABCD rule
Classification
Deep learning
Machine learning
Melanoma
- Rights
- License
- Attribution-NonCommercial-ShareAlike 4.0 International
id |
EDOCUR2_63de6253f3956733df7e496ecb22236b |
---|---|
oai_identifier_str |
oai:repository.urosario.edu.co:10336/42244 |
network_acronym_str |
EDOCUR2 |
network_name_str |
Repositorio EdocUR - U. Rosario |
repository_id_str |
|
dc.title.none.fl_str_mv |
Detección de melanoma cutáneo a través de la regla ABCD usando algoritmos de aprendizaje profundo |
dc.title.TranslatedTitle.none.fl_str_mv |
Detection of cutaneous melanoma through the ABCD rule using deep learning algorithms |
title |
Detección de melanoma cutáneo a través de la regla ABCD usando algoritmos de aprendizaje profundo |
spellingShingle |
Detección de melanoma cutáneo a través de la regla ABCD usando algoritmos de aprendizaje profundo Aprendizaje de máquina Aprendizaje profundo Clasificación Melanoma Regla ABCD ABCD rule Classification Deep learning Machine learning Melanoma |
title_short |
Detección de melanoma cutáneo a través de la regla ABCD usando algoritmos de aprendizaje profundo |
title_full |
Detección de melanoma cutáneo a través de la regla ABCD usando algoritmos de aprendizaje profundo |
title_fullStr |
Detección de melanoma cutáneo a través de la regla ABCD usando algoritmos de aprendizaje profundo |
title_full_unstemmed |
Detección de melanoma cutáneo a través de la regla ABCD usando algoritmos de aprendizaje profundo |
title_sort |
Detección de melanoma cutáneo a través de la regla ABCD usando algoritmos de aprendizaje profundo |
dc.contributor.advisor.none.fl_str_mv |
Perdomo Charry, Oscar Julián Jaramillo Isaza, Jonnier Sebastián |
dc.subject.none.fl_str_mv |
Aprendizaje de máquina Aprendizaje profundo Clasificación Melanoma Regla ABCD |
topic |
Aprendizaje de máquina Aprendizaje profundo Clasificación Melanoma Regla ABCD ABCD rule Classification Deep learning Machine learning Melanoma |
dc.subject.keyword.none.fl_str_mv |
ABCD rule Classification Deep learning Machine learning Melanoma |
description |
El melanoma es un tipo de cáncer de piel que afecta los melanocitos, estas son las células encargadas de la producción de melanina, esta neoplasia es la de mayor mortalidad de todos los cánceres de piel. Durante los últimos años se ha venido presentando un aumento de nuevos casos, por ejemplo, en Colombia las cifras dadas por la Cuenta de Alto Costo lo ubicaron en 2021 como el octavo tumor más frecuente según el número de diagnósticos registrados, y la mortalidad aumentó un 30\% en comparación con el año anterior. Hoy en día existen una gran cantidad de métodos y técnicas para identificarlo en sus etapas tempranas, siendo una de ellas la regla ABCD, la cual a través de las características físicas del lunar puede determinar la sospecha de que este tenga células cancerosas, de manera específica: Si el lunar es asimétrico (A), tiene bordes irregulares (B), más de uno o dos colores (C) y un diámetro mayor a 6 mm (D) tiene una alta probabilidad de que sea melanoma, esta regla ha ganado bastante aceptación clínica para la identificación de esta enfermedad. Con base en esto, el objetivo de este trabajo de maestría fue la adaptación de modelos basados en aprendizaje profundo para la estimación automática de características que puedan clasificar lunares como benignos o malignos, con validación en imágenes obtenidas de la base de datos del \textit{International Skin Imaging Collaboration (ISIC) Challenge Dataset}. Para ello se usaron técnicas clásicas de procesamiento de imágenes para calcular las características ABCD de toda la base de datos y luego se realizó el entrenamiento para clasificación usando: las características, las imágenes y ambos conjuntos de datos, con esto se obtuvo que aquellos modelos donde se usaron tanto las características como las imágenes tuvieron un mejor desempeño, alcanzando mejores métricas de desempeño tanto en entrenamiento como en prueba. |
publishDate |
2024 |
dc.date.accessioned.none.fl_str_mv |
2024-02-15T20:55:55Z |
dc.date.available.none.fl_str_mv |
2024-02-15T20:55:55Z |
dc.date.created.none.fl_str_mv |
2024-02-12 |
dc.type.none.fl_str_mv |
bachelorThesis |
dc.type.coar.fl_str_mv |
http://purl.org/coar/resource_type/c_7a1f |
dc.type.document.none.fl_str_mv |
Trabajo de grado |
dc.type.spa.none.fl_str_mv |
Pre-print |
dc.identifier.doi.none.fl_str_mv |
https://doi.org/10.48713/10336_42244 |
dc.identifier.uri.none.fl_str_mv |
https://repository.urosario.edu.co/handle/10336/42244 |
url |
https://doi.org/10.48713/10336_42244 https://repository.urosario.edu.co/handle/10336/42244 |
dc.language.iso.none.fl_str_mv |
spa |
language |
spa |
dc.rights.*.fl_str_mv |
Attribution-NonCommercial-ShareAlike 4.0 International |
dc.rights.coar.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
dc.rights.acceso.none.fl_str_mv |
Abierto (Texto Completo) |
dc.rights.uri.*.fl_str_mv |
http://creativecommons.org/licenses/by-nc-sa/4.0/ |
rights_invalid_str_mv |
Attribution-NonCommercial-ShareAlike 4.0 International Abierto (Texto Completo) http://creativecommons.org/licenses/by-nc-sa/4.0/ http://purl.org/coar/access_right/c_abf2 |
dc.format.extent.none.fl_str_mv |
79 pp |
dc.format.mimetype.none.fl_str_mv |
application/pdf |
dc.publisher.none.fl_str_mv |
Universidad del Rosario |
dc.publisher.department.spa.fl_str_mv |
Escuela de Medicina y Ciencias de la Salud |
dc.publisher.program.spa.fl_str_mv |
Maestría en Ingeniería Biomédica |
publisher.none.fl_str_mv |
Universidad del Rosario |
institution |
Universidad del Rosario |
dc.source.bibliographicCitation.none.fl_str_mv |
, Wold Health Organization (2020) Melanoma of skin. : GLOBOCAN 2020; (2011) Definition of melanocyte. Consultado en: 2022/10/11/14:43:18. Disponible en: https://www.cancer.gov/publications/dictionaries/cancer-terms/def/melanocyte. Pozzobon, Flavia Carolina; Acosta, Álvaro Enrique; Castillo, Juan Sebastián; Cáncer de piel en Colombia: cifras del Instituto Nacional de Cancerología. En: Asocolderma Revista. Consultado en: 2022/10/11/14:44:02. Disponible en: https://revistasocolderma.org/articulo-revista/cancer-de-piel-en-colombia-cifras-del-instituto-nacional-de-cancerologia. Zaballos, Pedro; Carrera, Cristina; Puig, Susana; Malvehy, Josep (2004) Criterios dermatoscópicos para el diagnóstico del melanoma. En: Medicina cutánea ibero-latino-americana, ISSN 0210-5187, Vol. 32, Nº. 1-2, 2004, pags. 3-17. ABCDE of Skin Cancer. Consultado en: 2022/10/11/14:57:58. Disponible en: https://www.conehealth.com/services/cancer-care/skin/abcde-of-skin-cancer/. Phan, Tran-Dac-Thinh; Kim, Soo-Hyung; Yang, Hyung-Jeong; Lee, Guee-Sang (2021) Skin Lesion Segmentation by U-Net with Adaptive Skip Connection and Structural Awareness. En: Applied Sciences. Vol. 11; No. 10; pp. 4528 2076-3417; Consultado en: 2022/10/11/14:59:42. Disponible en: https://www.mdpi.com/2076-3417/11/10/4528. Disponible en: 10.3390/app11104528. Araújo, Rafael Luz; Rabêlo, Ricardo de Andrade L.; Rodrigues, Joel J. P. C.; Silva, Romuere R. V. e (2021) Automatic Segmentation of Melanoma Skin Cancer Using Deep Learning. En: 2020 IEEE International Conference on E-health Networking, Application & Services (HEALTHCOM). pp. 1 - 6; Disponible en: 10.1109/HEALTHCOM49281.2021.9398926. Gutman, David; Codella, Noel C. F.; Celebi, Emre; Helba, Brian; Marchetti, Michael; Mishra, Nabin; Halpern, Allan (2016) Skin Lesion Analysis toward Melanoma Detection: A Challenge at the International Symposium on Biomedical Imaging (ISBI) 2016, hosted by the International Skin Imaging Collaboration (ISIC). : arXiv; Consultado en: 2022/10/19/15:32:55. Disponible en: http://arxiv.org/abs/1605.01397. Disponible en: 10.48550/arXiv.1605.01397. ISIC Archive. Consultado en: 2022/10/19/15:34:20. Disponible en: https://challenge.isic-archive.com/. [2103.09950] Learning to Resize Images for Computer Vision Tasks. Consultado en: 2022/10/21/15:07:27. Disponible en: https://arxiv.org/abs/2103.09950. Höhn, Julia; Hekler, Achim; Krieghoff-Henning, Eva; Kather, Jakob Nikolas; Utikal, Jochen Sven; Meier, Friedegund; Gellrich, Frank Friedrich; Hauschild, Axel; French, Lars; Schlager, Justin Gabriel; Ghoreschi, Kamran; Wilhelm, Tabea; Kutzner, Heinz; Heppt, Markus; Haferkamp, Sebastian; Sondermann, Wiebke; Schadendorf, Dirk; Schilling, Bastian; Maron, Roman C.; Schmitt, Max; Jutzi, Tanja; Fröhling, Stefan; Lipka, Daniel B.; Brinker, Titus Josef (2021) Integrating Patient Data Into Skin Cancer Classification Using Convolutional Neural Networks: Systematic Review. En: Journal of Medical Internet Research. Vol. 23; No. 7; pp. e20708 1438-8871; Disponible en: 10.2196/20708. Biratu, Erena Siyoum; Schwenker, Friedhelm; Debelee, Taye Girma; Kebede, Samuel Rahimeto; Negera, Worku Gachena; Molla, Hasset Tamirat (2021) Enhanced Region Growing for Brain Tumor MR Image Segmentation. En: Journal of Imaging. Vol. 7; No. 2; pp. 22 2313-433X; Consultado en: 2022/11/08/13:37:05. Disponible en: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC8321280/. Disponible en: 10.3390/jimaging7020022. Kasmi, Reda; Mokrani, Karim (2016) Classification of malignant melanoma and benign skin lesions: implementation of automatic ABCD rule. En: IET Image Processing. Vol. 10; No. 6; pp. 448 - 455; 1751-9667; Consultado en: 2022/11/15/13:56:29. Disponible en: https://onlinelibrary.wiley.com/doi/abs/10.1049/iet-ipr.2015.0385. Disponible en: 10.1049/iet-ipr.2015.0385. Almaraz-Damian, Jose-Agustin; Ponomaryov, Volodymyr; Sadovnychiy, Sergiy; Castillejos-Fernandez, Heydy (2020) Melanoma and Nevus Skin Lesion Classification Using Handcraft and Deep Learning Feature Fusion via Mutual Information Measures. En: Entropy. Vol. 22; No. 4; pp. 484 1099-4300; Consultado en: 2022/11/15/15:32:09. Disponible en: https://www.mdpi.com/1099-4300/22/4/484. Disponible en: 10.3390/e22040484. Team, Keras; Keras documentation: Knowledge Distillation. Consultado en: 2022/11/15/20:45:46. Disponible en: https://keras.io/examples/vision/knowledge_distillation/. Salma, Wessam; Eltrass, Ahmed S. (2022) Automated deep learning approach for classification of malignant melanoma and benign skin lesions. En: Multimedia Tools and Applications. Vol. 81; No. 22; pp. 32643 - 32660; 1573-7721; Consultado en: 2023/01/31/14:12:31. Disponible en: https://doi.org/10.1007/s11042-022-13081-x. Disponible en: 10.1007/s11042-022-13081-x. Sharfman, William H. (2012) Melanoma. Vol. 00003; 978-1-936287-79-6; Consultado en: 2023/03/09/. Disponible en: https://search.ebscohost.com/login.aspx?direct=true&db=e000xww&AN=529438&site=eds-live. Stephan P. Ariyan, MD, MBA; Harriet Kluger, MD (2017) The Melanoma Handbook. 978-1-62070-118-8; Consultado en: 2023/03/10/. Disponible en: https://search.ebscohost.com/login.aspx?direct=true&db=e000xww&AN=1491861&site=eds-live. Kornek, Thomas; Augustin, Matthias (2013) Skin cancer prevention. En: JDDG: Journal der Deutschen Dermatologischen Gesellschaft. Vol. 11; No. 4; pp. 283 - 298; 1610-0387; Consultado en: 2023/03/10/20:25:00. Disponible en: https://onlinelibrary.wiley.com/doi/abs/10.1111/ddg.12066. Disponible en: 10.1111/ddg.12066. (2022) Día mundial del melanoma 2022. En: Cuenta de Alto Costo. Consultado en: 2023/03/10/20:54:51. Disponible en: https://cuentadealtocosto.org/site/cancer/dia-mundial-del-melanoma-2022/. En 2021 la mortalidad por melanoma aumentó en Colombia en un 30% | ACIS. Consultado en: 2023/03/10/20:58:16. Disponible en: https://acis.org.co/portal/content/en-2021-la-mortalidad-por-melanoma-aument%C3%B3-en-colombia-en-un-30. cac_2020_11_4_consenso_melanoma_v6.pdf. Consultado en: 2023/03/10/21:00:50. Disponible en: https://cuentadealtocosto.org/site/wp-content/plugins/pdfjs-viewer-shortcode/pdfjs/web/viewer.php?file=https%3A%2F%2Fcuentadealtocosto.org%2Fsite%2Fwp-content%2Fuploads%2F2020%2F10%2Fcac_2020_11_4_consenso_melanoma_v6.pdf&download=false&print=true&openfile=false. Acosta, Álvaro Enrique; Fierro, Eduardo; Velásquez, Victoria Eugenia; Rueda, Xavier (2009) Melanoma: patogénesis, clínica e histopatología. En: Revista de la Asociación Colombiana de Dermatología y Cirugía Dermatológica. Vol. 17; No. 2; pp. 87 - 108; 1657-0448; Consultado en: 2023/03/10/21:08:45. Disponible en: https://revista.asocolderma.org.co/index.php/asocolderma/article/view/156. K1, Raina Raju; Kumar, S. Swapna (2018) MELANOMA DETECTION USING DEEP LEARNING AND ABCD RULE. Consultado en: 2023/03/10/21:57:37. Disponible en: https://zenodo.org/record/1227191. Disponible en: 10.5281/zenodo.1227191. Moura, Nayara; Veras, Rodrigo; Aires, Kelson; Machado, Vinícius; Silva, Romuere; Araújo, Flávio; Claro, Maíla (2019) ABCD rule and pre-trained CNNs for melanoma diagnosis. En: Multimedia Tools and Applications. Vol. 78; No. 6; pp. 6869 - 6888; 1573-7721; Consultado en: 2023/03/10/22:22:32. Disponible en: https://doi.org/10.1007/s11042-018-6404-8. Disponible en: 10.1007/s11042-018-6404-8. Poorna, S. S.; Reddy, M. Ravi Kiran; Akhil, Nukala; Kamath, Suraj; Mohan, Lekshmi; Anuraj, K.; Pradeep, Haripriya S.; Pati, Bibudhendu; Panigrahi, Chhabi Rani; Buyya, Rajkumar; Li, Kuan-Ching (2020) Computer Vision Aided Study for Melanoma Detection: A Deep Learning Versus Conventional Supervised Learning Approach. Advances in Intelligent Systems and Computing; pp. 75 - 83; Springer; 9789811510816; Disponible en: 10.1007/978-981-15-1081-6_7. Cancer today. Consultado en: 2023/03/27/21:51:52. Disponible en: http://gco.iarc.fr/today/home. Fierro, Eduardo; Castro, Carlos Alberto; Vargas, Carlos Alberto; Rolón, Mariam; Ramírez, Ana Francisca; Urrego, Marcela; Morales, Samuel; Lopera, Diego; López, Isabel Munévar; Vásquez, Luz Deisser Suárez; Quintero, Nestor Llinás; Godoy, Javier; Ramos, Pedro; González, Jaime; Ospina-Serrano, Aylen Vanessa; Orozco, Alejandro; Gómez, Diego; López, Haroldo Estrada; Idrobo, Henry; Bernal, Laura; Jiménez, Paola; Cifuentes, Javier; Santa, Daniel Andrés; Lema, Mauricio; Bobadilla, Iván; Lehmann, Carlos; Yepes, Andrés; Contreras, Fernando (2021) Diagnóstico y tratamiento multidisciplinario de melanoma temprano y localmente avanzado. Consenso de expertos. Asociación Colombiana de Hemato-Oncología (ACHO). En: Revista Colombiana de Cancerología. Vol. 25; No. 4; pp. 196 - 205; 2346-0199; Consultado en: 2023/03/27/22:35:27. Disponible en: https://www.revistacancercol.org/index.php/cancer/article/view/737. Disponible en: 10.35509/01239015.737. Combination of features from skin pattern and ABCD analysis for lesion clas.. Barata, Catarina; Celebi, M. Emre; Marques, Jorge; Rozeira, Jorge (2016) Clinically inspired analysis of dermoscopy images using a generative model. En: Computer Vision and Image Understanding. Vol. 151; pp. 124 - 137; Disponible en: 10.1016/j.cviu.2015.09.011. Marquez-Sosa, María; Muñoz-Gordillo, Diego (2022) Characterization of Dermatoscopic Images for Melanoma Diagnosis by means of the ABCD Criteria. En: 2022 IEEE ANDESCON. pp. 1 - 6; Disponible en: 10.1109/ANDESCON56260.2022.9989777. Ali, Abder-Rahman H.; Li, Jingpeng; Yang, Guang (2020) Automating the ABCD Rule for Melanoma Detection: A Survey. En: IEEE Access. Vol. 8; pp. 83333 - 83346; 2169-3536; Disponible en: 10.1109/ACCESS.2020.2991034. Hardie, Russell C.; Ali, Redha; De Silva, Manawaduge Supun; Kebede, Temesguen Messay (2018) Skin Lesion Segmentation and Classification for ISIC 2018 Using Traditional Classifiers with Hand-Crafted Features. : arXiv; Consultado en: 2023/04/21/12:48:06. Disponible en: http://arxiv.org/abs/1807.07001. Disponible en: 10.48550/arXiv.1807.07001. Benyahia, Samia; Meftah, Boudjelal; Lézoray, Olivier (2022) Multi-features extraction based on deep learning for skin lesion classification. En: Tissue and Cell. Vol. 74; 0040-8166; Consultado en: 2023/04/21/. Disponible en: https://search.ebscohost.com/login.aspx?direct=true&db=edselp&AN=S0040816621002172&site=eds-live. Disponible en: 10.1016/j.tice.2021.101701. Kassem, Mohamed A.; Hosny, Khalid M.; Fouad, Mohamed M. (2020) Skin Lesions Classification Into Eight Classes for ISIC 2019 Using Deep Convolutional Neural Network and Transfer Learning. En: IEEE Access. Vol. 8; pp. 114822 - 114832; 2169-3536; Disponible en: 10.1109/ACCESS.2020.3003890. Yilmaz, Abdurrahim; Kalebasi, Mucahit; Samoylenko, Yegor; Guvenilir, Mehmet Erhan; Uvet, Huseyin (2021) Benchmarking of Lightweight Deep Learning Architectures for Skin Cancer Classification using ISIC 2017 Dataset. : arXiv; Consultado en: 2023/04/21/18:29:07. Disponible en: http://arxiv.org/abs/2110.12270. Disponible en: 10.48550/arXiv.2110.12270. Boticonsejos, Irene (2020) La regla ABCDE para la prevención del melanoma ¿En qué consiste?. En: Boticonsejos. Consultado en: 2023/05/02/13:56:18. Disponible en: https://boticonsejos.es/la-regla-abcde-para-la-prevencion-del-melanoma/. [2106.04372] Segmentation and ABCD rule extraction for skin tumors classification. Consultado en: 2023/06/09/20:08:54. Disponible en: https://arxiv.org/abs/2106.04372. Navarro, Reme (2019) ¿Cómo distinguir un lunar normal de un melanoma?. En: Consejos de Farmacia Online Atida. Consultado en: 2023/06/20/16:39:53. Disponible en: https://www.atida.com/es-es/blog/2019/06/como-distinguir-un-lunar-normal-de-un-melanoma/. Dunn, Tamara (2023) Deep learning. En: Salem Press Encyclopedia of Science.: Salem Press; Mostafa Abd El-Aal El-Kady, Ahmed; Mostafa, Mohamed; Hamdy Ali Hussien, Heba; Ali Moussa, Farid (2023) Comparative Analysis: Deep vs. Machine Learning for Early DFU Detection in Medical Imaging. En: 2023 Intelligent Methods, Systems, and Applications (IMSA). pp. 440 - 445; IEEE; 9798350335569; Consultado en: 2023/10/23/17:44:10. Disponible en: https://ieeexplore.ieee.org/document/10217437/. Disponible en: 10.1109/IMSA58542.2023.10217437. Hassouna, Mohammed; Al-Antary, Mohammad; Saleh, Mohammed; Al Barghuthi, Nedaa Baker (2023) Applications of Deep Learning in Medical Imaging: A Brief Review. En: 2023 Advances in Science and Engineering Technology International Conferences (ASET), Advances in Science and Engineering Technology International Conferences (ASET), 2023. pp. 1 - 4; 978-1-6654-5474-2; Disponible en: 10.1109/ASET56582.2023.10180645. Fathima, Mohammed Nazneen; Shiney, Jeba; Singh, Prabhjot (2023) Deep Learning and Machine Learning Approaches for Brain Tumor Detection and Classification. En: 2023 International Conference on Circuit Power and Computing Technologies (ICCPCT), Circuit Power and Computing Technologies (ICCPCT), 2023 International Conference on. pp. 952 - 960; 979-8-3503-3324-4; Disponible en: 10.1109/ICCPCT58313.2023.10245068. Sinha, Vaidehi; Chinchmalatpure, Shravani; Apte, Siddharth; Pawar, Rajendra (2023) NeuroSight: Brain Tumor Classification using Deep Learning Techniques. En: 2023 International Conference on Artificial Intelligence Science and Applications in Industry and Society (CAISAIS). pp. 1 - 6; IEEE; 9798350314786; Consultado en: 2023/10/24/15:43:43. Disponible en: https://ieeexplore.ieee.org/document/10270090/. Disponible en: 10.1109/CAISAIS59399.2023.10270090. ISIC | International Skin Imaging Collaboration. En: ISIC. Consultado en: 2023/10/24/19:14:16. Disponible en: https://www.isic-archive.com/. Google Colaboratory. Consultado en: 2023/10/24/22:09:48. Disponible en: https://colab.research.google.com/?hl=es#scrollTo=5fCEDCU_qrC0. Tavakolpour, Soheil; Daneshpazhooh, Maryam; Mahmoudi, HamidReza (2017) Skin Cancer: Genetics, Immunology, Treatments, and Psychological Care. En: Cancer Genetics and Psychotherapy. pp. 851 Cham: Springer International Publishing; 978-3-319-64548-3; (2011) Definición de melanocito. Consultado en: 2023/10/28/22:54:21. Disponible en: https://www.cancer.gov/espanol/publicaciones/diccionarios/diccionario-cancer/def/melanocito. Glazer, Alex M.; Winkelmann, Richard R.; Farberg, Aaron S.; Rigel, Darrell S. (2017) Analysis of Trends in US Melanoma Incidence and Mortality. En: JAMA Dermatology. Vol. 153; No. 2; pp. 225 - 226; 2168-6068; Consultado en: 2023/10/28/22:57:09. Disponible en: https://doi.org/10.1001/jamadermatol.2016.4512. Disponible en: 10.1001/jamadermatol.2016.4512. Melanoma. Consultado en: 2023/10/29/17:51:15. Disponible en: https://eds-s-ebscohost-com.ez.urosario.edu.co/eds/ebookviewer/ebook/ZTAwMHh3d19fNTI5NDM4X19BTg2?sid=21ea0100-5f61-4fbd-a1b8-41b6cb958d3c@redis&vid=1&format=EB&lpid=lp_391&rid=0. Schrom, Kory P.; Kim, InYoung; Baron, Elma D.; Reichrath, Jörg (2020) The Immune System and Pathogenesis of Melanoma and Non-melanoma Skin Cancer. En: Sunlight, Vitamin D and Skin Cancer. Advances in Experimental Medicine and Biology; pp. 211 - 226; Cham: Springer International Publishing; 978-3-030-46227-7; Consultado en: 2023/10/29/17:53:17. Disponible en: https://doi.org/10.1007/978-3-030-46227-7_11. Riker, Adam I. (2018) Melanoma: A Modern Multidisciplinary Approach. Cham: Springer International Publishing; 978-3-319-78310-9; Consultado en: 2023/10/29/18:03:40. Disponible en: http://link.springer.com/10.1007/978-3-319-78310-9. International Agency for Research on Cancer Working Group on artificial ultraviolet (UV) light and skin cancer (2007) The association of use of sunbeds with cutaneous malignant melanoma and other skin cancers: A systematic review. En: International Journal of Cancer. Vol. 120; No. 5; pp. 1116 - 1122; 0020-7136; Disponible en: 10.1002/ijc.22453. Matsumura, Yasuhiro; Ananthaswamy, Honnavara N. (2004) Toxic effects of ultraviolet radiation on the skin. En: Toxicology and Applied Pharmacology. Vol. 195; No. 3; pp. 298 - 308; 0041-008X; Disponible en: 10.1016/j.taap.2003.08.019. Vries, Esther de (2013) Melanomas in Colombia; a different reality. En: Revista Colombiana de Cancerología. Vol. 17; No. 3; pp. 91 - 92; 0123-9015; Consultado en: 2023/10/29/19:16:02. Disponible en: https://www.elsevier.es/es-revista-revista-colombiana-cancerologia-361-articulo-melanomas-in-colombia-different-reality-S0123901513700106. Disponible en: 10.1016/S0123-9015(13)70010-6. Attia, Mohamed; Hossny, Mohamed; Nahavandi, Saeid; Yazdabadi, Anousha (2017) Skin melanoma segmentation using recurrent and convolutional neural networks. En: 2017 IEEE 14th International Symposium on Biomedical Imaging (ISBI 2017). pp. 292 - 296; Consultado en: 2023/10/30/15:36:53. Disponible en: https://ieeexplore.ieee.org/abstract/document/7950522. Disponible en: 10.1109/ISBI.2017.7950522. Codella, Noel; Cai, Junjie; Abedini, Mani; Garnavi, Rahil; Halpern, Alan; Smith, John R.; Zhou, Luping; Wang, Li; Wang, Qian; Shi, Yinghuan (2015) Deep Learning, Sparse Coding, and SVM for Melanoma Recognition in Dermoscopy Images. Lecture Notes in Computer Science; pp. 118 - 126; Springer International Publishing; 978-3-319-24888-2; Disponible en: 10.1007/978-3-319-24888-2_15. Carranza, Hernán; Archila, Pilar; Vargas, Carlos; Bernal, Laura; Otero, Jorge Miguel; Rodríguez, July Katherine; Jerez, Jorge; Szelezan, José Alfredo; Medina, Adriana; Torres, Diana; Insuasty, Jesús; Ricaurte, Orlando; Lopera, Diego; Jiménez, Alejo; Rojas, Carlos; Lema, Mauricio; Durango, Isabel; Rojas, Leonardo; Yepes, Andrés; Celiz, Martha Lucía; Rojas, Gustavo; Duarte, Ricardo; Gómez, Rodolfo; Quintero, Elías; Cardona, Andrés Felipe (2013) Genotipificación del melanoma en Colombia. En: Revista Colombiana de Hematología y Oncología. Vol. 2; No. 3; pp. 14 - 23; Consultado en: 2023/10/31/01:40:38. Disponible en: https://repositorio.fucsalud.edu.co/handle/001/1844. Rodríguez Acosta, Yasmín; Blanco Pereira, María Elena; Luna Ceballos, Elsa Juana; González González, Daniela de la Caridad; de Armas Gómez, María Karla; Rodríguez Cabrales, Arturo David; Rodríguez Acosta, Yasmín; Blanco Pereira, María Elena; Luna Ceballos, Elsa Juana; González González, Daniela de la Caridad; de Armas Gómez, María Karla; Rodríguez Cabrales, Arturo David (2020) Cresta neural, cuarta hoja, germinativa embrionaria. En: Revista Médica Electrónica. Vol. 42; No. 4; pp. 2049 - 2065; 1684-1824; Consultado en: 2023/10/31/21:28:14. Disponible en: http://scielo.sld.cu/scielo.php?script=sci_abstract&pid=S1684-18242020000402049&lng=es&nrm=iso&tlng=es. How to cite Servier Medical Art. En: Servier Medical Art. Consultado en: 2023/10/31/22:26:31. Disponible en: https://smart.servier.com/how-to-cite-servier-medical-art/. Skin. En: Servier Medical Art. Consultado en: 2023/10/31/22:26:46. Disponible en: https://smart.servier.com/smart_image/skin/. Crowder, Charlotte (2022) Melanomas. En: Salem Press Encyclopedia of Health. Consultado en: 2023/11/01/. Disponible en: https://search.ebscohost.com/login.aspx?direct=true&db=ers&AN=94462256&site=eds-live. Artificial Intelligence: Work, Machines and Human Interaction. Consultado en: 2023/11/01/14:26:56. Disponible en: https://eds-s-ebscohost-com.ez.urosario.edu.co/eds/ebookviewer/ebook/ZTAwMHh3d19fMzA3MjQwNl9fQU41?sid=63772cd0-78fe-4e3b-a5bd-72f9b7947abc%40redis&vid=0&format=EB&rid=1. N. Gupta; R. Mangla (2020) Artificial Intelligence Basics : A Self-Teaching Introduction. 978-1-68392-516-3; Consultado en: 2023/11/01/. Disponible en: https://search.ebscohost.com/login.aspx?direct=true&db=e000xww&AN=2387284&site=eds-live. Gordon, Brent M. (2011) Artificial Intelligence: Approaches, Tools, and Applications. 978-1-61324-019-9; Consultado en: 2023/11/01/. Disponible en: https://search.ebscohost.com/login.aspx?direct=true&db=e000xww&AN=440805&site=eds-live. Montenegro Trujillo, Iván; Hernandez T., Aleidys; Chavarro, Diego; Vélez, Maria Isabel; Tovar, Galo; Niño, Angela Milena; Olaya, Alejandro (2018) Macrotendencias hacia el 2030: El mundo y América Latina. En: https://minciencias.gov.co/portafolio/unidad-politica/lineas-trabajo/documentos-politica-ctei. Consultado en: 2023/11/02/15:57:22. Disponible en: https://repositorio.minciencias.gov.co/handle/20.500.14143/44997. (2021) Artificial intelligence in healthcare: opportunities and risk for future. En: Gaceta Sanitaria. Vol. 35; pp. S67 - S70; 0213-9111; Consultado en: 2023/11/02/16:40:20. Disponible en: https://www.sciencedirect.com/science/article/pii/S0213911120302788. Disponible en: 10.1016/j.gaceta.2020.12.019. Park, Chan-Woo; Seo, Sung Wook; Kang, Noeul; Ko, BeomSeok; Choi, Byung Wook; Park, Chang Min; Chang, Dong Kyung; Kim, Hwiuoung; Kim, Hyunchul; Lee, Hyunna; Jang, Jinhee; Ye, Jong Chul; Jeon, Jong Hong; Seo, Joon Beom; Kim, Kwang Joon; Jung, Kyu-Hwan; Kim, Namkug; Paek, Seungwook; Shin, Soo-Yong; Yoo, Soyoung; Choi, Yoon Sup; Kim, Youngjun; Yoon, Hyung-Jin (2020) Artificial Intelligence in Health Care: Current Applications and Issues. En: Journal of Korean Medical Science. Vol. 35; No. 42; Consultado en: 2023/11/02/16:46:30. Disponible en: https://synapse.koreamed.org/articles/1146221?viewtype=pubreader. Disponible en: 10.3346/jkms.2020.35.e379. Davenport, Thomas; Kalakota, Ravi (2019) The potential for artificial intelligence in healthcare. En: Future Healthcare Journal. Vol. 6; No. 2; pp. 94 - 98; 2514-6645; Consultado en: 2023/11/02/17:03:58. Disponible en: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC6616181/. Disponible en: 10.7861/futurehosp.6-2-94. Kubat, Miroslav (2017) An Introduction to Machine Learning. Cham: Springer International Publishing; 978-3-319-63913-0; Consultado en: 2023/11/05/18:49:45. Disponible en: http://link.springer.com/10.1007/978-3-319-63913-0. Murphy, Kevin P. (2012) Machine Learning: A Probabilistic Perspective. pp. 1102 : MIT Press; 978-0-262-30432-0; An Introduction to Statistical Learning. En: An Introduction to Statistical Learning. Consultado en: 2023/11/05/23:04:03. Disponible en: https://www.statlearning.com. Thorn, James (2021) Logistic Regression Explained. En: Medium. Consultado en: 2023/11/05/23:29:51. Disponible en: https://towardsdatascience.com/logistic-regression-explained-9ee73cede081. Ph.D, Kuan Rong Chan (2021) How to use the Lazy Predict library to select the best machine learning model. En: Omics Diary. Consultado en: 2023/11/06/02:13:37. Disponible en: https://medium.com/omics-diary/how-to-use-the-lazy-predict-library-to-select-the-best-machine-learning-model-65378bf4568e. Patil, Ronil (2021) Lazy Predict. En: Analytics Vidhya. Consultado en: 2023/11/06/02:29:02. Disponible en: https://www.analyticsvidhya.com/blog/2021/05/lazy-predict-best-suitable-model-for-you/. (2023) Lazy Predict Library in Python for Machine Learning. En: GeeksforGeeks. Consultado en: 2023/11/06/02:34:30. Disponible en: https://www.geeksforgeeks.org/lazy-predict-library-in-python-for-machine-learning/. Goodfellow, Ian; Bengio, Yoshua; Courville, Aaron (2016) Deep Learning. : MIT Press; Disponible en: http://www.deeplearningbook.org. LeCun, Yann; Bengio, Y.; Hinton, Geoffrey (2015) Deep Learning. En: Nature. Vol. 521; pp. 436 - 44; Disponible en: 10.1038/nature14539. Mahdianpari, Masoud; Salehi, Bahram; Rezaee, Mohammad; Mohammadimanesh, Fariba; Zhang, Yun (2018) Very Deep Convolutional Neural Networks for Complex Land Cover Mapping Using Multispectral Remote Sensing Imagery. En: Remote Sensing. Vol. 10; pp. 1119 Disponible en: 10.3390/rs10071119. DEMİR, Ahmet; YILMAZ, Feyza (2020) Inception-ResNet-v2 with Leakyrelu and Averagepooling for More Reliable and Accurate Classification of Chest X-ray Images. En: 2020 Medical Technologies Congress (TIPTEKNO). pp. 1 - 4; Consultado en: 2023/11/06/04:14:51. Disponible en: https://ieeexplore.ieee.org/abstract/document/9299232. Disponible en: 10.1109/TIPTEKNO50054.2020.9299232. Xu, Renjie; Lin, Haifeng; Lu, Kangjie; Cao, Lin; Liu, Yunfei (2021) A Forest Fire Detection System Based on Ensemble Learning. En: Forests. Vol. 12; pp. 217 Disponible en: 10.3390/f12020217. Papers with Code. Consultado en: 2023/11/06/04:27:47. Disponible en: https://paperswithcode.com/method/efficientnet. Tan, Mingxing; Le, Quoc V. (2020) EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks. : arXiv; Consultado en: 2023/11/06/04:28:00. Disponible en: http://arxiv.org/abs/1905.11946. Disponible en: 10.48550/arXiv.1905.11946. Smeda, Kousai (2019) Understand the architecture of CNN. En: Medium. Consultado en: 2023/11/07/15:06:57. Disponible en: https://towardsdatascience.com/understand-the-architecture-of-cnn-90a25e244c7. Gutman, David; Codella, Noel C. F.; Celebi, Emre; Helba, Brian; Marchetti, Michael; Mishra, Nabin; Halpern, Allan (2016) Skin Lesion Analysis toward Melanoma Detection: A Challenge at the International Symposium on Biomedical Imaging (ISBI) 2016, hosted by the International Skin Imaging Collaboration (ISIC). : arXiv; Consultado en: 2023/11/07/22:01:11. Disponible en: http://arxiv.org/abs/1605.01397. Disponible en: 10.48550/arXiv.1605.01397. Santos, Fernando Ferreira Lima dos; Telles, Lucas Arthur de Almeida; Rosas, Jorge Tadeu Fim; Gomes, Amanda Pereira Assis; Martins, Rodrigo Nogueira; Nascimento, Amélia Laísy do; Sousa, Emanoel Di Tarso dos Santos (2020) Open source iterative bayesian classifier algorith for quality assessment of processed coffee beans. En: Nativa. Vol. 8; No. 1; pp. 118 - 123; 2318-7670; Consultado en: 2023/11/08/05:16:37. Disponible en: https://periodicoscientificos.ufmt.br/ojs/index.php/nativa/article/view/8074. Disponible en: 10.31413/nativa.v8i1.8074. Criterios dermatoscópicos para el diagnóstico del melanoma. Consultado en: 2023/11/10/03:02:55. Disponible en: https://dialnet-unirioja-es.ez.urosario.edu.co/servlet/articulo?codigo=950555. Wen, David; Khan, Saad M.; Xu, Antonio Ji; Ibrahim, Hussein; Smith, Luke; Caballero, Jose; Zepeda, Luis; Perez, Carlos de Blas; Denniston, Alastair K.; Liu, Xiaoxuan; Matin, Rubeta N. (2022) Characteristics of publicly available skin cancer image datasets: a systematic review. En: The Lancet Digital Health. Vol. 4; No. 1; pp. e64 - e74; 2589-7500; Consultado en: 2023/11/21/15:05:37. Disponible en: https://www.thelancet.com/journals/landig/article/PIIS2589-7500(21)00252-1/fulltext. Disponible en: 10.1016/S2589-7500(21)00252-1. Golston, Jeremiah E.; Stoecker, William V.; Moss, Randy H.; Dhillon, Inder P. S. (1992) Automatic detection of irregular borders in melanoma and other skin tumors. En: Computerized Medical Imaging and Graphics. Digital Imaging in Dermatology; Vol. 16; No. 3; pp. 199 - 203; 0895-6111; Consultado en: 2024/02/06/15:35:29. Disponible en: https://www.sciencedirect.com/science/article/pii/089561119290074J. Disponible en: 10.1016/0895-6111(92)90074-J. |
dc.source.instname.none.fl_str_mv |
instname:Universidad del Rosario |
dc.source.reponame.none.fl_str_mv |
reponame:Repositorio Institucional EdocUR |
bitstream.url.fl_str_mv |
https://repository.urosario.edu.co/bitstreams/3a1798ac-7e82-4e81-8688-853a4abb955e/download https://repository.urosario.edu.co/bitstreams/394db4f3-6bf5-4877-885b-0a1dbf464876/download https://repository.urosario.edu.co/bitstreams/d52cfd44-aa73-44d0-b7fa-ba6e309d8171/download https://repository.urosario.edu.co/bitstreams/bd56bce1-7dbd-4c8f-b6dd-7b3aa3081b7b/download https://repository.urosario.edu.co/bitstreams/43a5dfdb-5e71-4fe8-aa78-294e0552c80a/download https://repository.urosario.edu.co/bitstreams/b541528f-d3ee-4940-b73c-68122b1a6cb8/download |
bitstream.checksum.fl_str_mv |
1f3adef4011adea9fa7def5e75c45690 122a18d13b57a36f437c4d51e92ebbd3 b2825df9f458e9d5d96ee8b7cd74fde6 5643bfd9bcf29d560eeec56d584edaa9 bbfd75b8fbbba6ebef8430ce56703720 3873d07078ff7bc3b54ebee279c72bc0 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 MD5 |
repository.name.fl_str_mv |
Repositorio institucional EdocUR |
repository.mail.fl_str_mv |
edocur@urosario.edu.co |
_version_ |
1814167550807769088 |
spelling |
Perdomo Charry, Oscar Juliánd6ae6b29-7412-48ab-a525-d554ba2044fe-1Jaramillo Isaza, Jonnier Sebastián8062200600Moreno Luna, Paula CaterineMagíster en Ingeniería BiomédicaMagíster en Ingeniería BiomédicaMaestría6b7cee9d-7a17-47b2-b936-4fc63fd38f64-12024-02-15T20:55:55Z2024-02-15T20:55:55Z2024-02-12El melanoma es un tipo de cáncer de piel que afecta los melanocitos, estas son las células encargadas de la producción de melanina, esta neoplasia es la de mayor mortalidad de todos los cánceres de piel. Durante los últimos años se ha venido presentando un aumento de nuevos casos, por ejemplo, en Colombia las cifras dadas por la Cuenta de Alto Costo lo ubicaron en 2021 como el octavo tumor más frecuente según el número de diagnósticos registrados, y la mortalidad aumentó un 30\% en comparación con el año anterior. Hoy en día existen una gran cantidad de métodos y técnicas para identificarlo en sus etapas tempranas, siendo una de ellas la regla ABCD, la cual a través de las características físicas del lunar puede determinar la sospecha de que este tenga células cancerosas, de manera específica: Si el lunar es asimétrico (A), tiene bordes irregulares (B), más de uno o dos colores (C) y un diámetro mayor a 6 mm (D) tiene una alta probabilidad de que sea melanoma, esta regla ha ganado bastante aceptación clínica para la identificación de esta enfermedad. Con base en esto, el objetivo de este trabajo de maestría fue la adaptación de modelos basados en aprendizaje profundo para la estimación automática de características que puedan clasificar lunares como benignos o malignos, con validación en imágenes obtenidas de la base de datos del \textit{International Skin Imaging Collaboration (ISIC) Challenge Dataset}. Para ello se usaron técnicas clásicas de procesamiento de imágenes para calcular las características ABCD de toda la base de datos y luego se realizó el entrenamiento para clasificación usando: las características, las imágenes y ambos conjuntos de datos, con esto se obtuvo que aquellos modelos donde se usaron tanto las características como las imágenes tuvieron un mejor desempeño, alcanzando mejores métricas de desempeño tanto en entrenamiento como en prueba.Melanoma is a type of skin cancer that affects melanocytes, which are the cells responsible for the production of melanin. This neoplasm has the highest mortality rate of all skin cancers. During recent years there has been an increase in new cases, for example, in Colombia the figures given by the High Cost Account placed it as the eighth most frequent tumor in 2021 according to the number of registered diagnoses, and mortality increased by 30\% compared to the previous year. Nowadays there are a large number of methods and techniques to identify it in its early stages, one of them being the ABCD rule, which through the physical characteristics of the mole can determine the suspicion that it has cancerous cells, specifically. : If the mole is asymmetrical (A), has irregular edges (B), more than one or two colors (C), and has a diameter greater than 6 mm (D) it has a high probability of being melanoma, this rule has gained a lot clinical acceptance for the identification of this disease. Based on this, the objective of this master's work was the adaptation of models based on deep learning for the automatic estimation of characteristics that can classify moles as benign or malignant, with validation in images obtained from the \textit{ database International Skin Imaging Collaboration (ISIC) Challenge Dataset}. For this, classic image processing techniques were used to calculate the ABCD characteristics of the entire database and then the training task was systematically assessed using: only the characteristics, only the images, and the combination of both sources of information (features and images), with this final approach, was obtained that both features and images performed better performance metrics in training and testing sets.79 ppapplication/pdfhttps://doi.org/10.48713/10336_42244https://repository.urosario.edu.co/handle/10336/42244spaUniversidad del RosarioEscuela de Medicina y Ciencias de la SaludMaestría en Ingeniería BiomédicaAttribution-NonCommercial-ShareAlike 4.0 InternationalAbierto (Texto Completo)EL AUTOR, manifiesta que la obra objeto de la presente autorización es original y la realizó sin violar o usurpar derechos de autor de terceros, por lo tanto la obra es de exclusiva autoría y tiene la titularidad sobre la misma.http://creativecommons.org/licenses/by-nc-sa/4.0/http://purl.org/coar/access_right/c_abf2, Wold Health Organization (2020) Melanoma of skin. : GLOBOCAN 2020; (2011) Definition of melanocyte. Consultado en: 2022/10/11/14:43:18. Disponible en: https://www.cancer.gov/publications/dictionaries/cancer-terms/def/melanocyte.Pozzobon, Flavia Carolina; Acosta, Álvaro Enrique; Castillo, Juan Sebastián; Cáncer de piel en Colombia: cifras del Instituto Nacional de Cancerología. En: Asocolderma Revista. Consultado en: 2022/10/11/14:44:02. Disponible en: https://revistasocolderma.org/articulo-revista/cancer-de-piel-en-colombia-cifras-del-instituto-nacional-de-cancerologia.Zaballos, Pedro; Carrera, Cristina; Puig, Susana; Malvehy, Josep (2004) Criterios dermatoscópicos para el diagnóstico del melanoma. En: Medicina cutánea ibero-latino-americana, ISSN 0210-5187, Vol. 32, Nº. 1-2, 2004, pags. 3-17. ABCDE of Skin Cancer. Consultado en: 2022/10/11/14:57:58. Disponible en: https://www.conehealth.com/services/cancer-care/skin/abcde-of-skin-cancer/.Phan, Tran-Dac-Thinh; Kim, Soo-Hyung; Yang, Hyung-Jeong; Lee, Guee-Sang (2021) Skin Lesion Segmentation by U-Net with Adaptive Skip Connection and Structural Awareness. En: Applied Sciences. Vol. 11; No. 10; pp. 4528 2076-3417; Consultado en: 2022/10/11/14:59:42. Disponible en: https://www.mdpi.com/2076-3417/11/10/4528. Disponible en: 10.3390/app11104528.Araújo, Rafael Luz; Rabêlo, Ricardo de Andrade L.; Rodrigues, Joel J. P. C.; Silva, Romuere R. V. e (2021) Automatic Segmentation of Melanoma Skin Cancer Using Deep Learning. En: 2020 IEEE International Conference on E-health Networking, Application & Services (HEALTHCOM). pp. 1 - 6; Disponible en: 10.1109/HEALTHCOM49281.2021.9398926.Gutman, David; Codella, Noel C. F.; Celebi, Emre; Helba, Brian; Marchetti, Michael; Mishra, Nabin; Halpern, Allan (2016) Skin Lesion Analysis toward Melanoma Detection: A Challenge at the International Symposium on Biomedical Imaging (ISBI) 2016, hosted by the International Skin Imaging Collaboration (ISIC). : arXiv; Consultado en: 2022/10/19/15:32:55. Disponible en: http://arxiv.org/abs/1605.01397. Disponible en: 10.48550/arXiv.1605.01397. ISIC Archive. Consultado en: 2022/10/19/15:34:20. Disponible en: https://challenge.isic-archive.com/. [2103.09950] Learning to Resize Images for Computer Vision Tasks. Consultado en: 2022/10/21/15:07:27. Disponible en: https://arxiv.org/abs/2103.09950.Höhn, Julia; Hekler, Achim; Krieghoff-Henning, Eva; Kather, Jakob Nikolas; Utikal, Jochen Sven; Meier, Friedegund; Gellrich, Frank Friedrich; Hauschild, Axel; French, Lars; Schlager, Justin Gabriel; Ghoreschi, Kamran; Wilhelm, Tabea; Kutzner, Heinz; Heppt, Markus; Haferkamp, Sebastian; Sondermann, Wiebke; Schadendorf, Dirk; Schilling, Bastian; Maron, Roman C.; Schmitt, Max; Jutzi, Tanja; Fröhling, Stefan; Lipka, Daniel B.; Brinker, Titus Josef (2021) Integrating Patient Data Into Skin Cancer Classification Using Convolutional Neural Networks: Systematic Review. En: Journal of Medical Internet Research. Vol. 23; No. 7; pp. e20708 1438-8871; Disponible en: 10.2196/20708.Biratu, Erena Siyoum; Schwenker, Friedhelm; Debelee, Taye Girma; Kebede, Samuel Rahimeto; Negera, Worku Gachena; Molla, Hasset Tamirat (2021) Enhanced Region Growing for Brain Tumor MR Image Segmentation. En: Journal of Imaging. Vol. 7; No. 2; pp. 22 2313-433X; Consultado en: 2022/11/08/13:37:05. Disponible en: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC8321280/. Disponible en: 10.3390/jimaging7020022.Kasmi, Reda; Mokrani, Karim (2016) Classification of malignant melanoma and benign skin lesions: implementation of automatic ABCD rule. En: IET Image Processing. Vol. 10; No. 6; pp. 448 - 455; 1751-9667; Consultado en: 2022/11/15/13:56:29. Disponible en: https://onlinelibrary.wiley.com/doi/abs/10.1049/iet-ipr.2015.0385. Disponible en: 10.1049/iet-ipr.2015.0385.Almaraz-Damian, Jose-Agustin; Ponomaryov, Volodymyr; Sadovnychiy, Sergiy; Castillejos-Fernandez, Heydy (2020) Melanoma and Nevus Skin Lesion Classification Using Handcraft and Deep Learning Feature Fusion via Mutual Information Measures. En: Entropy. Vol. 22; No. 4; pp. 484 1099-4300; Consultado en: 2022/11/15/15:32:09. Disponible en: https://www.mdpi.com/1099-4300/22/4/484. Disponible en: 10.3390/e22040484.Team, Keras; Keras documentation: Knowledge Distillation. Consultado en: 2022/11/15/20:45:46. Disponible en: https://keras.io/examples/vision/knowledge_distillation/.Salma, Wessam; Eltrass, Ahmed S. (2022) Automated deep learning approach for classification of malignant melanoma and benign skin lesions. En: Multimedia Tools and Applications. Vol. 81; No. 22; pp. 32643 - 32660; 1573-7721; Consultado en: 2023/01/31/14:12:31. Disponible en: https://doi.org/10.1007/s11042-022-13081-x. Disponible en: 10.1007/s11042-022-13081-x.Sharfman, William H. (2012) Melanoma. Vol. 00003; 978-1-936287-79-6; Consultado en: 2023/03/09/. Disponible en: https://search.ebscohost.com/login.aspx?direct=true&db=e000xww&AN=529438&site=eds-live.Stephan P. Ariyan, MD, MBA; Harriet Kluger, MD (2017) The Melanoma Handbook. 978-1-62070-118-8; Consultado en: 2023/03/10/. Disponible en: https://search.ebscohost.com/login.aspx?direct=true&db=e000xww&AN=1491861&site=eds-live.Kornek, Thomas; Augustin, Matthias (2013) Skin cancer prevention. En: JDDG: Journal der Deutschen Dermatologischen Gesellschaft. Vol. 11; No. 4; pp. 283 - 298; 1610-0387; Consultado en: 2023/03/10/20:25:00. Disponible en: https://onlinelibrary.wiley.com/doi/abs/10.1111/ddg.12066. Disponible en: 10.1111/ddg.12066. (2022) Día mundial del melanoma 2022. En: Cuenta de Alto Costo. Consultado en: 2023/03/10/20:54:51. Disponible en: https://cuentadealtocosto.org/site/cancer/dia-mundial-del-melanoma-2022/. En 2021 la mortalidad por melanoma aumentó en Colombia en un 30% | ACIS. Consultado en: 2023/03/10/20:58:16. Disponible en: https://acis.org.co/portal/content/en-2021-la-mortalidad-por-melanoma-aument%C3%B3-en-colombia-en-un-30. cac_2020_11_4_consenso_melanoma_v6.pdf. Consultado en: 2023/03/10/21:00:50. Disponible en: https://cuentadealtocosto.org/site/wp-content/plugins/pdfjs-viewer-shortcode/pdfjs/web/viewer.php?file=https%3A%2F%2Fcuentadealtocosto.org%2Fsite%2Fwp-content%2Fuploads%2F2020%2F10%2Fcac_2020_11_4_consenso_melanoma_v6.pdf&download=false&print=true&openfile=false.Acosta, Álvaro Enrique; Fierro, Eduardo; Velásquez, Victoria Eugenia; Rueda, Xavier (2009) Melanoma: patogénesis, clínica e histopatología. En: Revista de la Asociación Colombiana de Dermatología y Cirugía Dermatológica. Vol. 17; No. 2; pp. 87 - 108; 1657-0448; Consultado en: 2023/03/10/21:08:45. Disponible en: https://revista.asocolderma.org.co/index.php/asocolderma/article/view/156.K1, Raina Raju; Kumar, S. Swapna (2018) MELANOMA DETECTION USING DEEP LEARNING AND ABCD RULE. Consultado en: 2023/03/10/21:57:37. Disponible en: https://zenodo.org/record/1227191. Disponible en: 10.5281/zenodo.1227191.Moura, Nayara; Veras, Rodrigo; Aires, Kelson; Machado, Vinícius; Silva, Romuere; Araújo, Flávio; Claro, Maíla (2019) ABCD rule and pre-trained CNNs for melanoma diagnosis. En: Multimedia Tools and Applications. Vol. 78; No. 6; pp. 6869 - 6888; 1573-7721; Consultado en: 2023/03/10/22:22:32. Disponible en: https://doi.org/10.1007/s11042-018-6404-8. Disponible en: 10.1007/s11042-018-6404-8.Poorna, S. S.; Reddy, M. Ravi Kiran; Akhil, Nukala; Kamath, Suraj; Mohan, Lekshmi; Anuraj, K.; Pradeep, Haripriya S.; Pati, Bibudhendu; Panigrahi, Chhabi Rani; Buyya, Rajkumar; Li, Kuan-Ching (2020) Computer Vision Aided Study for Melanoma Detection: A Deep Learning Versus Conventional Supervised Learning Approach. Advances in Intelligent Systems and Computing; pp. 75 - 83; Springer; 9789811510816; Disponible en: 10.1007/978-981-15-1081-6_7. Cancer today. Consultado en: 2023/03/27/21:51:52. Disponible en: http://gco.iarc.fr/today/home.Fierro, Eduardo; Castro, Carlos Alberto; Vargas, Carlos Alberto; Rolón, Mariam; Ramírez, Ana Francisca; Urrego, Marcela; Morales, Samuel; Lopera, Diego; López, Isabel Munévar; Vásquez, Luz Deisser Suárez; Quintero, Nestor Llinás; Godoy, Javier; Ramos, Pedro; González, Jaime; Ospina-Serrano, Aylen Vanessa; Orozco, Alejandro; Gómez, Diego; López, Haroldo Estrada; Idrobo, Henry; Bernal, Laura; Jiménez, Paola; Cifuentes, Javier; Santa, Daniel Andrés; Lema, Mauricio; Bobadilla, Iván; Lehmann, Carlos; Yepes, Andrés; Contreras, Fernando (2021) Diagnóstico y tratamiento multidisciplinario de melanoma temprano y localmente avanzado. Consenso de expertos. Asociación Colombiana de Hemato-Oncología (ACHO). En: Revista Colombiana de Cancerología. Vol. 25; No. 4; pp. 196 - 205; 2346-0199; Consultado en: 2023/03/27/22:35:27. Disponible en: https://www.revistacancercol.org/index.php/cancer/article/view/737. Disponible en: 10.35509/01239015.737. Combination of features from skin pattern and ABCD analysis for lesion clas.. Barata, Catarina; Celebi, M. Emre; Marques, Jorge; Rozeira, Jorge (2016) Clinically inspired analysis of dermoscopy images using a generative model. En: Computer Vision and Image Understanding. Vol. 151; pp. 124 - 137; Disponible en: 10.1016/j.cviu.2015.09.011.Marquez-Sosa, María; Muñoz-Gordillo, Diego (2022) Characterization of Dermatoscopic Images for Melanoma Diagnosis by means of the ABCD Criteria. En: 2022 IEEE ANDESCON. pp. 1 - 6; Disponible en: 10.1109/ANDESCON56260.2022.9989777.Ali, Abder-Rahman H.; Li, Jingpeng; Yang, Guang (2020) Automating the ABCD Rule for Melanoma Detection: A Survey. En: IEEE Access. Vol. 8; pp. 83333 - 83346; 2169-3536; Disponible en: 10.1109/ACCESS.2020.2991034.Hardie, Russell C.; Ali, Redha; De Silva, Manawaduge Supun; Kebede, Temesguen Messay (2018) Skin Lesion Segmentation and Classification for ISIC 2018 Using Traditional Classifiers with Hand-Crafted Features. : arXiv; Consultado en: 2023/04/21/12:48:06. Disponible en: http://arxiv.org/abs/1807.07001. Disponible en: 10.48550/arXiv.1807.07001.Benyahia, Samia; Meftah, Boudjelal; Lézoray, Olivier (2022) Multi-features extraction based on deep learning for skin lesion classification. En: Tissue and Cell. Vol. 74; 0040-8166; Consultado en: 2023/04/21/. Disponible en: https://search.ebscohost.com/login.aspx?direct=true&db=edselp&AN=S0040816621002172&site=eds-live. Disponible en: 10.1016/j.tice.2021.101701.Kassem, Mohamed A.; Hosny, Khalid M.; Fouad, Mohamed M. (2020) Skin Lesions Classification Into Eight Classes for ISIC 2019 Using Deep Convolutional Neural Network and Transfer Learning. En: IEEE Access. Vol. 8; pp. 114822 - 114832; 2169-3536; Disponible en: 10.1109/ACCESS.2020.3003890.Yilmaz, Abdurrahim; Kalebasi, Mucahit; Samoylenko, Yegor; Guvenilir, Mehmet Erhan; Uvet, Huseyin (2021) Benchmarking of Lightweight Deep Learning Architectures for Skin Cancer Classification using ISIC 2017 Dataset. : arXiv; Consultado en: 2023/04/21/18:29:07. Disponible en: http://arxiv.org/abs/2110.12270. Disponible en: 10.48550/arXiv.2110.12270.Boticonsejos, Irene (2020) La regla ABCDE para la prevención del melanoma ¿En qué consiste?. En: Boticonsejos. Consultado en: 2023/05/02/13:56:18. Disponible en: https://boticonsejos.es/la-regla-abcde-para-la-prevencion-del-melanoma/. [2106.04372] Segmentation and ABCD rule extraction for skin tumors classification. Consultado en: 2023/06/09/20:08:54. Disponible en: https://arxiv.org/abs/2106.04372.Navarro, Reme (2019) ¿Cómo distinguir un lunar normal de un melanoma?. En: Consejos de Farmacia Online Atida. Consultado en: 2023/06/20/16:39:53. Disponible en: https://www.atida.com/es-es/blog/2019/06/como-distinguir-un-lunar-normal-de-un-melanoma/.Dunn, Tamara (2023) Deep learning. En: Salem Press Encyclopedia of Science.: Salem Press;Mostafa Abd El-Aal El-Kady, Ahmed; Mostafa, Mohamed; Hamdy Ali Hussien, Heba; Ali Moussa, Farid (2023) Comparative Analysis: Deep vs. Machine Learning for Early DFU Detection in Medical Imaging. En: 2023 Intelligent Methods, Systems, and Applications (IMSA). pp. 440 - 445; IEEE; 9798350335569; Consultado en: 2023/10/23/17:44:10. Disponible en: https://ieeexplore.ieee.org/document/10217437/. Disponible en: 10.1109/IMSA58542.2023.10217437.Hassouna, Mohammed; Al-Antary, Mohammad; Saleh, Mohammed; Al Barghuthi, Nedaa Baker (2023) Applications of Deep Learning in Medical Imaging: A Brief Review. En: 2023 Advances in Science and Engineering Technology International Conferences (ASET), Advances in Science and Engineering Technology International Conferences (ASET), 2023. pp. 1 - 4; 978-1-6654-5474-2; Disponible en: 10.1109/ASET56582.2023.10180645.Fathima, Mohammed Nazneen; Shiney, Jeba; Singh, Prabhjot (2023) Deep Learning and Machine Learning Approaches for Brain Tumor Detection and Classification. En: 2023 International Conference on Circuit Power and Computing Technologies (ICCPCT), Circuit Power and Computing Technologies (ICCPCT), 2023 International Conference on. pp. 952 - 960; 979-8-3503-3324-4; Disponible en: 10.1109/ICCPCT58313.2023.10245068.Sinha, Vaidehi; Chinchmalatpure, Shravani; Apte, Siddharth; Pawar, Rajendra (2023) NeuroSight: Brain Tumor Classification using Deep Learning Techniques. En: 2023 International Conference on Artificial Intelligence Science and Applications in Industry and Society (CAISAIS). pp. 1 - 6; IEEE; 9798350314786; Consultado en: 2023/10/24/15:43:43. Disponible en: https://ieeexplore.ieee.org/document/10270090/. Disponible en: 10.1109/CAISAIS59399.2023.10270090. ISIC | International Skin Imaging Collaboration. En: ISIC. Consultado en: 2023/10/24/19:14:16. Disponible en: https://www.isic-archive.com/. Google Colaboratory. Consultado en: 2023/10/24/22:09:48. Disponible en: https://colab.research.google.com/?hl=es#scrollTo=5fCEDCU_qrC0.Tavakolpour, Soheil; Daneshpazhooh, Maryam; Mahmoudi, HamidReza (2017) Skin Cancer: Genetics, Immunology, Treatments, and Psychological Care. En: Cancer Genetics and Psychotherapy. pp. 851 Cham: Springer International Publishing; 978-3-319-64548-3; (2011) Definición de melanocito. Consultado en: 2023/10/28/22:54:21. Disponible en: https://www.cancer.gov/espanol/publicaciones/diccionarios/diccionario-cancer/def/melanocito.Glazer, Alex M.; Winkelmann, Richard R.; Farberg, Aaron S.; Rigel, Darrell S. (2017) Analysis of Trends in US Melanoma Incidence and Mortality. En: JAMA Dermatology. Vol. 153; No. 2; pp. 225 - 226; 2168-6068; Consultado en: 2023/10/28/22:57:09. Disponible en: https://doi.org/10.1001/jamadermatol.2016.4512. Disponible en: 10.1001/jamadermatol.2016.4512. Melanoma. Consultado en: 2023/10/29/17:51:15. Disponible en: https://eds-s-ebscohost-com.ez.urosario.edu.co/eds/ebookviewer/ebook/ZTAwMHh3d19fNTI5NDM4X19BTg2?sid=21ea0100-5f61-4fbd-a1b8-41b6cb958d3c@redis&vid=1&format=EB&lpid=lp_391&rid=0.Schrom, Kory P.; Kim, InYoung; Baron, Elma D.; Reichrath, Jörg (2020) The Immune System and Pathogenesis of Melanoma and Non-melanoma Skin Cancer. En: Sunlight, Vitamin D and Skin Cancer. Advances in Experimental Medicine and Biology; pp. 211 - 226; Cham: Springer International Publishing; 978-3-030-46227-7; Consultado en: 2023/10/29/17:53:17. Disponible en: https://doi.org/10.1007/978-3-030-46227-7_11. Riker, Adam I. (2018) Melanoma: A Modern Multidisciplinary Approach. Cham: Springer International Publishing; 978-3-319-78310-9; Consultado en: 2023/10/29/18:03:40. Disponible en: http://link.springer.com/10.1007/978-3-319-78310-9.International Agency for Research on Cancer Working Group on artificial ultraviolet (UV) light and skin cancer (2007) The association of use of sunbeds with cutaneous malignant melanoma and other skin cancers: A systematic review. En: International Journal of Cancer. Vol. 120; No. 5; pp. 1116 - 1122; 0020-7136; Disponible en: 10.1002/ijc.22453.Matsumura, Yasuhiro; Ananthaswamy, Honnavara N. (2004) Toxic effects of ultraviolet radiation on the skin. En: Toxicology and Applied Pharmacology. Vol. 195; No. 3; pp. 298 - 308; 0041-008X; Disponible en: 10.1016/j.taap.2003.08.019.Vries, Esther de (2013) Melanomas in Colombia; a different reality. En: Revista Colombiana de Cancerología. Vol. 17; No. 3; pp. 91 - 92; 0123-9015; Consultado en: 2023/10/29/19:16:02. Disponible en: https://www.elsevier.es/es-revista-revista-colombiana-cancerologia-361-articulo-melanomas-in-colombia-different-reality-S0123901513700106. Disponible en: 10.1016/S0123-9015(13)70010-6.Attia, Mohamed; Hossny, Mohamed; Nahavandi, Saeid; Yazdabadi, Anousha (2017) Skin melanoma segmentation using recurrent and convolutional neural networks. En: 2017 IEEE 14th International Symposium on Biomedical Imaging (ISBI 2017). pp. 292 - 296; Consultado en: 2023/10/30/15:36:53. Disponible en: https://ieeexplore.ieee.org/abstract/document/7950522. Disponible en: 10.1109/ISBI.2017.7950522.Codella, Noel; Cai, Junjie; Abedini, Mani; Garnavi, Rahil; Halpern, Alan; Smith, John R.; Zhou, Luping; Wang, Li; Wang, Qian; Shi, Yinghuan (2015) Deep Learning, Sparse Coding, and SVM for Melanoma Recognition in Dermoscopy Images. Lecture Notes in Computer Science; pp. 118 - 126; Springer International Publishing; 978-3-319-24888-2; Disponible en: 10.1007/978-3-319-24888-2_15.Carranza, Hernán; Archila, Pilar; Vargas, Carlos; Bernal, Laura; Otero, Jorge Miguel; Rodríguez, July Katherine; Jerez, Jorge; Szelezan, José Alfredo; Medina, Adriana; Torres, Diana; Insuasty, Jesús; Ricaurte, Orlando; Lopera, Diego; Jiménez, Alejo; Rojas, Carlos; Lema, Mauricio; Durango, Isabel; Rojas, Leonardo; Yepes, Andrés; Celiz, Martha Lucía; Rojas, Gustavo; Duarte, Ricardo; Gómez, Rodolfo; Quintero, Elías; Cardona, Andrés Felipe (2013) Genotipificación del melanoma en Colombia. En: Revista Colombiana de Hematología y Oncología. Vol. 2; No. 3; pp. 14 - 23; Consultado en: 2023/10/31/01:40:38. Disponible en: https://repositorio.fucsalud.edu.co/handle/001/1844.Rodríguez Acosta, Yasmín; Blanco Pereira, María Elena; Luna Ceballos, Elsa Juana; González González, Daniela de la Caridad; de Armas Gómez, María Karla; Rodríguez Cabrales, Arturo David; Rodríguez Acosta, Yasmín; Blanco Pereira, María Elena; Luna Ceballos, Elsa Juana; González González, Daniela de la Caridad; de Armas Gómez, María Karla; Rodríguez Cabrales, Arturo David (2020) Cresta neural, cuarta hoja, germinativa embrionaria. En: Revista Médica Electrónica. Vol. 42; No. 4; pp. 2049 - 2065; 1684-1824; Consultado en: 2023/10/31/21:28:14. Disponible en: http://scielo.sld.cu/scielo.php?script=sci_abstract&pid=S1684-18242020000402049&lng=es&nrm=iso&tlng=es. How to cite Servier Medical Art. En: Servier Medical Art. Consultado en: 2023/10/31/22:26:31. Disponible en: https://smart.servier.com/how-to-cite-servier-medical-art/. Skin. En: Servier Medical Art. Consultado en: 2023/10/31/22:26:46. Disponible en: https://smart.servier.com/smart_image/skin/.Crowder, Charlotte (2022) Melanomas. En: Salem Press Encyclopedia of Health. Consultado en: 2023/11/01/. Disponible en: https://search.ebscohost.com/login.aspx?direct=true&db=ers&AN=94462256&site=eds-live. Artificial Intelligence: Work, Machines and Human Interaction. Consultado en: 2023/11/01/14:26:56. Disponible en: https://eds-s-ebscohost-com.ez.urosario.edu.co/eds/ebookviewer/ebook/ZTAwMHh3d19fMzA3MjQwNl9fQU41?sid=63772cd0-78fe-4e3b-a5bd-72f9b7947abc%40redis&vid=0&format=EB&rid=1.N. Gupta; R. Mangla (2020) Artificial Intelligence Basics : A Self-Teaching Introduction. 978-1-68392-516-3; Consultado en: 2023/11/01/. Disponible en: https://search.ebscohost.com/login.aspx?direct=true&db=e000xww&AN=2387284&site=eds-live.Gordon, Brent M. (2011) Artificial Intelligence: Approaches, Tools, and Applications. 978-1-61324-019-9; Consultado en: 2023/11/01/. Disponible en: https://search.ebscohost.com/login.aspx?direct=true&db=e000xww&AN=440805&site=eds-live.Montenegro Trujillo, Iván; Hernandez T., Aleidys; Chavarro, Diego; Vélez, Maria Isabel; Tovar, Galo; Niño, Angela Milena; Olaya, Alejandro (2018) Macrotendencias hacia el 2030: El mundo y América Latina. En: https://minciencias.gov.co/portafolio/unidad-politica/lineas-trabajo/documentos-politica-ctei. Consultado en: 2023/11/02/15:57:22. Disponible en: https://repositorio.minciencias.gov.co/handle/20.500.14143/44997. (2021) Artificial intelligence in healthcare: opportunities and risk for future. En: Gaceta Sanitaria. Vol. 35; pp. S67 - S70; 0213-9111; Consultado en: 2023/11/02/16:40:20. Disponible en: https://www.sciencedirect.com/science/article/pii/S0213911120302788. Disponible en: 10.1016/j.gaceta.2020.12.019.Park, Chan-Woo; Seo, Sung Wook; Kang, Noeul; Ko, BeomSeok; Choi, Byung Wook; Park, Chang Min; Chang, Dong Kyung; Kim, Hwiuoung; Kim, Hyunchul; Lee, Hyunna; Jang, Jinhee; Ye, Jong Chul; Jeon, Jong Hong; Seo, Joon Beom; Kim, Kwang Joon; Jung, Kyu-Hwan; Kim, Namkug; Paek, Seungwook; Shin, Soo-Yong; Yoo, Soyoung; Choi, Yoon Sup; Kim, Youngjun; Yoon, Hyung-Jin (2020) Artificial Intelligence in Health Care: Current Applications and Issues. En: Journal of Korean Medical Science. Vol. 35; No. 42; Consultado en: 2023/11/02/16:46:30. Disponible en: https://synapse.koreamed.org/articles/1146221?viewtype=pubreader. Disponible en: 10.3346/jkms.2020.35.e379.Davenport, Thomas; Kalakota, Ravi (2019) The potential for artificial intelligence in healthcare. En: Future Healthcare Journal. Vol. 6; No. 2; pp. 94 - 98; 2514-6645; Consultado en: 2023/11/02/17:03:58. Disponible en: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC6616181/. Disponible en: 10.7861/futurehosp.6-2-94.Kubat, Miroslav (2017) An Introduction to Machine Learning. Cham: Springer International Publishing; 978-3-319-63913-0; Consultado en: 2023/11/05/18:49:45. Disponible en: http://link.springer.com/10.1007/978-3-319-63913-0.Murphy, Kevin P. (2012) Machine Learning: A Probabilistic Perspective. pp. 1102 : MIT Press; 978-0-262-30432-0; An Introduction to Statistical Learning. En: An Introduction to Statistical Learning. Consultado en: 2023/11/05/23:04:03. Disponible en: https://www.statlearning.com.Thorn, James (2021) Logistic Regression Explained. En: Medium. Consultado en: 2023/11/05/23:29:51. Disponible en: https://towardsdatascience.com/logistic-regression-explained-9ee73cede081.Ph.D, Kuan Rong Chan (2021) How to use the Lazy Predict library to select the best machine learning model. En: Omics Diary. Consultado en: 2023/11/06/02:13:37. Disponible en: https://medium.com/omics-diary/how-to-use-the-lazy-predict-library-to-select-the-best-machine-learning-model-65378bf4568e.Patil, Ronil (2021) Lazy Predict. En: Analytics Vidhya. Consultado en: 2023/11/06/02:29:02. Disponible en: https://www.analyticsvidhya.com/blog/2021/05/lazy-predict-best-suitable-model-for-you/. (2023) Lazy Predict Library in Python for Machine Learning. En: GeeksforGeeks. Consultado en: 2023/11/06/02:34:30. Disponible en: https://www.geeksforgeeks.org/lazy-predict-library-in-python-for-machine-learning/.Goodfellow, Ian; Bengio, Yoshua; Courville, Aaron (2016) Deep Learning. : MIT Press; Disponible en: http://www.deeplearningbook.org.LeCun, Yann; Bengio, Y.; Hinton, Geoffrey (2015) Deep Learning. En: Nature. Vol. 521; pp. 436 - 44; Disponible en: 10.1038/nature14539.Mahdianpari, Masoud; Salehi, Bahram; Rezaee, Mohammad; Mohammadimanesh, Fariba; Zhang, Yun (2018) Very Deep Convolutional Neural Networks for Complex Land Cover Mapping Using Multispectral Remote Sensing Imagery. En: Remote Sensing. Vol. 10; pp. 1119 Disponible en: 10.3390/rs10071119.DEMİR, Ahmet; YILMAZ, Feyza (2020) Inception-ResNet-v2 with Leakyrelu and Averagepooling for More Reliable and Accurate Classification of Chest X-ray Images. En: 2020 Medical Technologies Congress (TIPTEKNO). pp. 1 - 4; Consultado en: 2023/11/06/04:14:51. Disponible en: https://ieeexplore.ieee.org/abstract/document/9299232. Disponible en: 10.1109/TIPTEKNO50054.2020.9299232.Xu, Renjie; Lin, Haifeng; Lu, Kangjie; Cao, Lin; Liu, Yunfei (2021) A Forest Fire Detection System Based on Ensemble Learning. En: Forests. Vol. 12; pp. 217 Disponible en: 10.3390/f12020217. Papers with Code. Consultado en: 2023/11/06/04:27:47. Disponible en: https://paperswithcode.com/method/efficientnet.Tan, Mingxing; Le, Quoc V. (2020) EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks. : arXiv; Consultado en: 2023/11/06/04:28:00. Disponible en: http://arxiv.org/abs/1905.11946. Disponible en: 10.48550/arXiv.1905.11946.Smeda, Kousai (2019) Understand the architecture of CNN. En: Medium. Consultado en: 2023/11/07/15:06:57. Disponible en: https://towardsdatascience.com/understand-the-architecture-of-cnn-90a25e244c7.Gutman, David; Codella, Noel C. F.; Celebi, Emre; Helba, Brian; Marchetti, Michael; Mishra, Nabin; Halpern, Allan (2016) Skin Lesion Analysis toward Melanoma Detection: A Challenge at the International Symposium on Biomedical Imaging (ISBI) 2016, hosted by the International Skin Imaging Collaboration (ISIC). : arXiv; Consultado en: 2023/11/07/22:01:11. Disponible en: http://arxiv.org/abs/1605.01397. Disponible en: 10.48550/arXiv.1605.01397.Santos, Fernando Ferreira Lima dos; Telles, Lucas Arthur de Almeida; Rosas, Jorge Tadeu Fim; Gomes, Amanda Pereira Assis; Martins, Rodrigo Nogueira; Nascimento, Amélia Laísy do; Sousa, Emanoel Di Tarso dos Santos (2020) Open source iterative bayesian classifier algorith for quality assessment of processed coffee beans. En: Nativa. Vol. 8; No. 1; pp. 118 - 123; 2318-7670; Consultado en: 2023/11/08/05:16:37. Disponible en: https://periodicoscientificos.ufmt.br/ojs/index.php/nativa/article/view/8074. Disponible en: 10.31413/nativa.v8i1.8074. Criterios dermatoscópicos para el diagnóstico del melanoma. Consultado en: 2023/11/10/03:02:55. Disponible en: https://dialnet-unirioja-es.ez.urosario.edu.co/servlet/articulo?codigo=950555.Wen, David; Khan, Saad M.; Xu, Antonio Ji; Ibrahim, Hussein; Smith, Luke; Caballero, Jose; Zepeda, Luis; Perez, Carlos de Blas; Denniston, Alastair K.; Liu, Xiaoxuan; Matin, Rubeta N. (2022) Characteristics of publicly available skin cancer image datasets: a systematic review. En: The Lancet Digital Health. Vol. 4; No. 1; pp. e64 - e74; 2589-7500; Consultado en: 2023/11/21/15:05:37. Disponible en: https://www.thelancet.com/journals/landig/article/PIIS2589-7500(21)00252-1/fulltext. Disponible en: 10.1016/S2589-7500(21)00252-1.Golston, Jeremiah E.; Stoecker, William V.; Moss, Randy H.; Dhillon, Inder P. S. (1992) Automatic detection of irregular borders in melanoma and other skin tumors. En: Computerized Medical Imaging and Graphics. Digital Imaging in Dermatology; Vol. 16; No. 3; pp. 199 - 203; 0895-6111; Consultado en: 2024/02/06/15:35:29. Disponible en: https://www.sciencedirect.com/science/article/pii/089561119290074J. Disponible en: 10.1016/0895-6111(92)90074-J.instname:Universidad del Rosarioreponame:Repositorio Institucional EdocURAprendizaje de máquinaAprendizaje profundoClasificaciónMelanomaRegla ABCDABCD ruleClassificationDeep learningMachine learningMelanomaDetección de melanoma cutáneo a través de la regla ABCD usando algoritmos de aprendizaje profundoDetection of cutaneous melanoma through the ABCD rule using deep learning algorithmsbachelorThesisTrabajo de gradoPre-printhttp://purl.org/coar/resource_type/c_7a1fEscuela de Medicina y Ciencias de la SaludORIGINALDeteccion_de_melanoma_cutaneo_a.pdfDeteccion_de_melanoma_cutaneo_a.pdfapplication/pdf3173360https://repository.urosario.edu.co/bitstreams/3a1798ac-7e82-4e81-8688-853a4abb955e/download1f3adef4011adea9fa7def5e75c45690MD54Deteccion_de_melanoma_cutaneo_a_Referencias.risDeteccion_de_melanoma_cutaneo_a_Referencias.risapplication/x-research-info-systems110362https://repository.urosario.edu.co/bitstreams/394db4f3-6bf5-4877-885b-0a1dbf464876/download122a18d13b57a36f437c4d51e92ebbd3MD52LICENSElicense.txtlicense.txttext/plain1483https://repository.urosario.edu.co/bitstreams/d52cfd44-aa73-44d0-b7fa-ba6e309d8171/downloadb2825df9f458e9d5d96ee8b7cd74fde6MD53CC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-81160https://repository.urosario.edu.co/bitstreams/bd56bce1-7dbd-4c8f-b6dd-7b3aa3081b7b/download5643bfd9bcf29d560eeec56d584edaa9MD55TEXTDeteccion_de_melanoma_cutaneo_a.pdf.txtDeteccion_de_melanoma_cutaneo_a.pdf.txtExtracted texttext/plain101930https://repository.urosario.edu.co/bitstreams/43a5dfdb-5e71-4fe8-aa78-294e0552c80a/downloadbbfd75b8fbbba6ebef8430ce56703720MD56THUMBNAILDeteccion_de_melanoma_cutaneo_a.pdf.jpgDeteccion_de_melanoma_cutaneo_a.pdf.jpgGenerated Thumbnailimage/jpeg3306https://repository.urosario.edu.co/bitstreams/b541528f-d3ee-4940-b73c-68122b1a6cb8/download3873d07078ff7bc3b54ebee279c72bc0MD5710336/42244oai:repository.urosario.edu.co:10336/422442024-07-30 05:02:01.452http://creativecommons.org/licenses/by-nc-sa/4.0/Attribution-NonCommercial-ShareAlike 4.0 Internationalhttps://repository.urosario.edu.coRepositorio institucional EdocURedocur@urosario.edu.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 |