Detección automática de melanoma aplicando métodos de aprendizaje profundo para el procesamiento y análisis de imágenes dermatológicas

El melanoma, en los últimos años, ha presentado un aumento en su tasa de mortalidad, a pesar de ser el que presenta menor frecuencia de diagnóstico, convirtiéndose en un problema de salud pública tanto a nivel nacional como global, existen muchos factores de riesgo que generan una mayor probabilidad de sufrir de esta neoplasia como lo es una exposici´on prolongada a los rayos del sol y a los UV o tener parientes consangu´ıneos que lo hayan padecido. Según El Fondo Colombiano de Enfermedades de Alto Costo, el tiempo de espera para obtener el diagnóstico de cáncer de piel tipo melanoma se encuentra entre 30 y 40 días, sin embargo, antes de este tiempo puede llegar a pasar hasta un año para que el paciente acuda a consulta médica relacionada con el aspecto anormal de un lunar; debido a esto es que existen diversos métodos de ayuda diagn´ostica como la regla de ABCD que fomentan la educación para la identificación de signos de alarma. Por esta razón el desarrollo de herramientas de apoyo diagnóstico resulta ser de gran importancia para la disminución de los tiempos y, posiblemente, de la tasa de mortalidad que está presentando este cáncer hoy en día, pues su implementación bien sea en usuarios no médicos o médicos no dermatológicos permite fomentar la educación, diferenciación e importancia de esta enfermedad en la sociedad. El presente documento reporta el desarrollo de un trabajo dirigido que tiene como objetivo principal la aplicación de métodos basados en inteligencia artificial, específicamente, de aprendizaje profundo, para el procesamiento y análisis de imágenes dermatológicas de lunares para la detección automática de melanoma, las cuales fueron tomadas de la base de datos ISIC 2016, la cual hace parte de un reto que año a año tiene como objetivo ayudar a reducir la mortalidad de esta neoplasia, el reto del año mencionado se enfoca en diferenciar melanoma de otros trastornos de la piel y cuenta con 900 imágenes para entrenamiento, 379 para prueba, todas tomadas en distintos centros dermatológicos. Con base en esto, se encuentra el desarrollo del marco teórico que permite dar una base de conocimiento para el entendimiento tanto del documento como del presente proyecto, seguido de esto se explica la metodología donde se desarrollan diferentes algoritmos para segmentación y clasificación, usando el lenguaje de programación Python a través de la herramienta de Google Colaboratory, con los cuales se desarrollan distintos modelos a ser evaluados según su desempeño con base en diferentes métricas, como índice Jaccard y Dice para segmentación y exactitud, especificidad, sensibilidad y coeficiente Kappa para clasificación. vi Después se encuentran los resultados y el análisis de los resultados, donde se muestra que los modelos de segmentación presentan un muy buen desempeño, con respecto a las métricas empleadas (valores superiores a 0.60) a la hora de obtener las máscaras binarias de la predicción luego del entrenamiento, con el inconveniente de que cuando las imágenes originales presentan un contraste bajo entre la piel y el lunar, generalmente un tono azulado, la segmentación no se realiza de manera correcta. Finalmente, para la clasificación se obtienen diferentes modelos con variaciones en sus parámetros, se observó que el desempeño que presenta cada uno de los modelos varía según la arquitectura usada permitiendo en ocasiones evitar el overfitting, por otro lado, el número de épocas, el optimizador y el dropout influyen en métricas como la especificidad para determinar la cantidad de melanomas que clasifica correctamente el modelo estudiado.

• Autores: Moreno Luna, Paula Caterine
• Tipo de recurso: Trabajo de grado de pregrado
• Fecha de publicación: 2021
• Institución: Escuela Colombiana de Ingeniería Julio Garavito
• Repositorio: Repositorio Institucional ECI
• Idioma: spa
• OAI Identifier: oai:repositorio.escuelaing.edu.co:001/1935
• Acceso en línea: https://repositorio.escuelaing.edu.co/handle/001/1935; https://catalogo.escuelaing.edu.co/cgi-bin/koha/opac-detail.pl?biblionumber=22818; https://catalogo.escuelaing.edu.co/cgi-bin/koha/opac-detail.pl?biblionumber=22825
• Palabra clave: Clasificación; Deep learning; Melanoma; Segmentación; Clasificación; Melanoma; Segmentación; Deep learning; Classification; Melanoma; Performance; Segmentation
• Rights: openAccess
• License: http://purl.org/coar/access_right/c_abf2