Detección de cáncer de seno usando imágenes de histopatología y modelos de aprendizaje profundo pre-entrenados
El cáncer es una enfermedad que se puede originar en cualquier parte del cuerpo. Comienza cuando las células infectadas crecen de forma descontrolada sobrepasando a las células sanas. El cáncer de seno, en su mayoría carcinomas, es el tipo más común entre las mujeres de todo el mundo. Los procedimie...
- Autores:
-
Agudelo Gaviria, Harold
Sarria-Paja, Milton
- Tipo de recurso:
- Article of journal
- Fecha de publicación:
- 2021
- Institución:
- Corporación Universidad de la Costa
- Repositorio:
- REDICUC - Repositorio CUC
- Idioma:
- spa
- OAI Identifier:
- oai:repositorio.cuc.edu.co:11323/9043
- Acceso en línea:
- https://hdl.handle.net/11323/9043
https://doi.org/10.17981/cesta.02.02.2021.04
https://repositorio.cuc.edu.co/
- Palabra clave:
- Aprendizaje profundo
Cáncer de seno
Imágenes digitales
Diagnostico asistido
Deep learning
Breast cancer
Digital images
Assisted diagnosis
- Rights
- openAccess
- License
- © The author; licensee Universidad de la Costa - CUC.
| id |
RCUC2_298f852fcd35977274158172ecd7bff0 |
|---|---|
| oai_identifier_str |
oai:repositorio.cuc.edu.co:11323/9043 |
| network_acronym_str |
RCUC2 |
| network_name_str |
REDICUC - Repositorio CUC |
| repository_id_str |
|
| dc.title.spa.fl_str_mv |
Detección de cáncer de seno usando imágenes de histopatología y modelos de aprendizaje profundo pre-entrenados |
| dc.title.translated.eng.fl_str_mv |
Breast cancer detection using digital histopathology images and pre-trained deep learning models |
| title |
Detección de cáncer de seno usando imágenes de histopatología y modelos de aprendizaje profundo pre-entrenados |
| spellingShingle |
Detección de cáncer de seno usando imágenes de histopatología y modelos de aprendizaje profundo pre-entrenados Aprendizaje profundo Cáncer de seno Imágenes digitales Diagnostico asistido Deep learning Breast cancer Digital images Assisted diagnosis |
| title_short |
Detección de cáncer de seno usando imágenes de histopatología y modelos de aprendizaje profundo pre-entrenados |
| title_full |
Detección de cáncer de seno usando imágenes de histopatología y modelos de aprendizaje profundo pre-entrenados |
| title_fullStr |
Detección de cáncer de seno usando imágenes de histopatología y modelos de aprendizaje profundo pre-entrenados |
| title_full_unstemmed |
Detección de cáncer de seno usando imágenes de histopatología y modelos de aprendizaje profundo pre-entrenados |
| title_sort |
Detección de cáncer de seno usando imágenes de histopatología y modelos de aprendizaje profundo pre-entrenados |
| dc.creator.fl_str_mv |
Agudelo Gaviria, Harold Sarria-Paja, Milton |
| dc.contributor.author.spa.fl_str_mv |
Agudelo Gaviria, Harold Sarria-Paja, Milton |
| dc.subject.proposal.spa.fl_str_mv |
Aprendizaje profundo Cáncer de seno Imágenes digitales Diagnostico asistido |
| topic |
Aprendizaje profundo Cáncer de seno Imágenes digitales Diagnostico asistido Deep learning Breast cancer Digital images Assisted diagnosis |
| dc.subject.proposal.eng.fl_str_mv |
Deep learning Breast cancer Digital images Assisted diagnosis |
| description |
El cáncer es una enfermedad que se puede originar en cualquier parte del cuerpo. Comienza cuando las células infectadas crecen de forma descontrolada sobrepasando a las células sanas. El cáncer de seno, en su mayoría carcinomas, es el tipo más común entre las mujeres de todo el mundo. Los procedimientos utilizados para la detección de la enfermedad son aproximaciones diagnósticas, algunos de estos son invasivos. Usando herramientas digitales, es posible desarrollar o implementar sistemas de diagnóstico asistido para agilizar el proceso y permitir mayor confiabilidad de los análisis. El presente estudio se realiza con imágenes digitales de histopatología a partir de la base de datos de acceso abierto. Se evalúan tres escenarios, partiendo desde un esquema clásico, luego el se incluye el uso de modelos profundos pre-entrenados y finalmente se evaluá un modelo profundo con una red neuronal convolucional. El rendimiento de cada uno de los métodos sometidos a estudio se evaluaron calculando las medidas diagnósticas de precisión, sensibilidad y especificidad, logrando así encontrar el modelo que mejor se adecua a la tarea abordada. Se observa que los modelos pre-entrenados aportan información altamente discriminante a pesar de haber sido entrenados para una tarea completamente diferente. En general los modelos profundos permiten mejorar significativamente la especificidad del sistema al comparar con el enfoque clásico. |
| publishDate |
2021 |
| dc.date.issued.none.fl_str_mv |
2021 |
| dc.date.accessioned.none.fl_str_mv |
2022-03-04T13:02:35Z |
| dc.date.available.none.fl_str_mv |
2022-03-04T13:02:35Z |
| dc.type.spa.fl_str_mv |
Artículo de revista |
| dc.type.coar.fl_str_mv |
http://purl.org/coar/resource_type/c_2df8fbb1 |
| dc.type.coar.spa.fl_str_mv |
http://purl.org/coar/resource_type/c_6501 |
| dc.type.content.spa.fl_str_mv |
Text |
| dc.type.driver.spa.fl_str_mv |
info:eu-repo/semantics/article |
| dc.type.redcol.spa.fl_str_mv |
http://purl.org/redcol/resource_type/ART |
| dc.type.version.spa.fl_str_mv |
info:eu-repo/semantics/acceptedVersion |
| format |
http://purl.org/coar/resource_type/c_6501 |
| status_str |
acceptedVersion |
| dc.identifier.citation.spa.fl_str_mv |
H. Agudelo & M. Sarria-Paja, “Detección de cáncer de seno usando imágenes de histopatología y modelos de aprendizaje profundo pre-entrenados”, J. Comput. Electron. Sci.: Theory Appl., vol. 2, no. 2, pp. 27–36, 2021. https://doi.org/10.17981/cesta.02.02.2021.04 |
| dc.identifier.uri.spa.fl_str_mv |
https://hdl.handle.net/11323/9043 |
| dc.identifier.url.spa.fl_str_mv |
https://doi.org/10.17981/cesta.02.02.2021.04 |
| dc.identifier.doi.spa.fl_str_mv |
10.17981/cesta.02.02.2021.04 |
| dc.identifier.eissn.spa.fl_str_mv |
2745-0090 |
| dc.identifier.instname.spa.fl_str_mv |
Corporación Universidad de la Costa |
| dc.identifier.reponame.spa.fl_str_mv |
REDICUC - Repositorio CUC |
| dc.identifier.repourl.spa.fl_str_mv |
https://repositorio.cuc.edu.co/ |
| identifier_str_mv |
H. Agudelo & M. Sarria-Paja, “Detección de cáncer de seno usando imágenes de histopatología y modelos de aprendizaje profundo pre-entrenados”, J. Comput. Electron. Sci.: Theory Appl., vol. 2, no. 2, pp. 27–36, 2021. https://doi.org/10.17981/cesta.02.02.2021.04 10.17981/cesta.02.02.2021.04 2745-0090 Corporación Universidad de la Costa REDICUC - Repositorio CUC |
| url |
https://hdl.handle.net/11323/9043 https://doi.org/10.17981/cesta.02.02.2021.04 https://repositorio.cuc.edu.co/ |
| dc.language.iso.none.fl_str_mv |
spa |
| language |
spa |
| dc.relation.ispartofjournal.spa.fl_str_mv |
Computer and Electronic Sciences: Theory and Applications |
| dc.relation.references.spa.fl_str_mv |
[1] T. J. Key, P. K. Verkasalo & E. Banks, “Epidemiology of breast cancer,” Lancet Oncol, vol. 2, no. 3, pp. 133–140, Mar. 2001. https://doi.org/10.1016/S1470-2045(00)00254-0 [2] M. Akram, M. Iqbal, M. Daniyal & A. U. Khan, “Awareness and current knowledge of breast cancer,” Biol Res, vol. 50, no. 1, pp. 1–23, Oct. 2017. https://doi.org/10.1186/s40659-017-0140-9 [3] A. S. Y. Leong & A. Zhuang, “The changing role of pathology in breast cancer diagnosis and treatment,” Pathobiology, vol. 78, no. 2, pp. 99–114, 2011. https://doi.org/10.1159/000292644 [4] A. Bereciartua, “Desarrollo de algoritmos de procesamiento de imagen avanzado para interpretación de imágenes médicas. Aplicación a segmentación de hígado sobre imágenes de Resonancia Magnética multisecuencia,” Doctoral dissertation, UPVEHU. Bilbao, ES, 2016. Disponible en http://hdl.handle.net/10810/20703 [5] A. Mert, N. KJlJç, E. Bilgili & A. Akan, “Breast Cancer Detection with Reduced Feature Set,” Comput Math Methods Med, pp. 1–12, 2014. https://doi.org/10.1155/2015/265138 [6] C. M. Bishop, Pattern recognition. Machine learning. SG: Springer, 2006. [7] A. Cruz-Roa, A. Basavanhally, F. González, H. Gilmore, M. Feldman, S. Ganesan & A. Madabhushi, “Automatic detection of invasive ductal carcinoma in whole slide images with convolutional neural networks,” presented at Medical Imaging 2014: Digital Pathology, vol. 9041, SPIE, SD, CA, USA, 20 Mar. 2014, . https://doi.org/10.1117/12.2043872 [8] C. Zhu, F. Song, Y. Wang, H. Dong, Y. Guo & J. Liu, “Breast cancer histopathology image classification through assembling multiple compact CNNs,” BMC Med Inform Decis Mak, vol. 19, no. 1, pp. 1–17, Oct. 2019. https://doi.org/10.1186/s12911-019-0913-x [9] Z. Hameed, S. Zahia, B. Garcia-Zapirain, J. Javier Aguirre & A. M. Vanegas, “Breast cancer histopathology image classification using an ensemble of deep learning models,” Sensors, vol. 20, no. 16, pp. 1–17, Aug. 2020. https://doi.org/10.3390/s20164373 [10] M. A. Al-masni, , M. A. Al-antari, J.-M. Park, G. Gi, T.-Y. Kim, P. Rivera & T. S. P. Kim, “Simultaneous detection and classification of breast masses in digital mammograms via a deep learning YOLO-based CAD system,” Comput Meth Prog Bio, vol. 157, pp. 85–94, 2018. https://doi.org/10.1016/j.cmpb.2018.01.017 [11] H. Chougrad, H. Zouaki & O. Alheyane, “Deep Convolutional Neural Networks for breast cancer screening,” Comput Methods Programs Biomed, pp. 19–30, 2018. https://doi.org/10.1016/j.cmpb.2018.01.011 [12] F. Bray, J. Ferlay, I. Soerjomataram, R. L. Siegel, L. A Torre & A. Jemal, “Global Cancer Statistics 2018: GLOBOCAN Estimates of Incidence and Mortality Worldwide for 36 Cancers in 185 Countries,” CA Cancer J Clin, vol. 68, no. 6, pp. 394–424, 2018. https://doi.org/10.3322/caac.21492 [13] R. Wainschenker, J. Massa & P. Tristan, Procesamiento digital de imagenes. (2011). Clase Teórico Práctica Nº 1. Buenos Aires, Argentina: UNICEN. Obtenido de https://users.exa.unicen.edu.ar/catedras/pdi/FILES/TE/CP1.pdf [14] Á. Martínez, “Bases Teóricas, Digitalización y Análisis de Imágenes,” in Manual de Telepatología, L. Alfaro, M. García y A. Puras, ed., Pamplona, ES: Club de Informática Aplicada a la Sociedad Española de Anatomía Patológica, 2001. Disponible en https://www.seap.es/manual-de-telepatologia [15] J. C. Russ, The image processing handbook. BR, USA: CRC press, 2006. https://doi.org/10.1201/9780203881095 [16] G. Mandloi, “A survey on feature extraction techniques for color images,” IJCSIT, vol. 5, no. 3, pp. 4615–4620, 2014. Available from http://www.ijcsit.com/docs/Volume%205/vol5issue03/ijcsit20140503424.pdf [17] J. Ma & Y. Yuan, “Dimension reduction of image deep feature using PCA,” J Vis Commun Image Represent, vol. 63, no. 5, pp.102578, 2019. https://doi.org/10.1016/j.jvcir.2019.102578 [18] G. S. Fletcher, Clinical epidemiology: the essentials. FI, USA: LWW, 2019. [19] Z. H. Hoo, Z. H. Candlish & D. Teare, “What is an ROC curve?,” Emerg Med J, vol. 34, pp. 357–359, 2017. https://doi.org/10.1136/emermed-2017-206735 [20] R. Xiao, X. Cui, H. Qiao, X. Zheng, Y. Zhang, C. Zhang & X. Liu, “Early diagnosis model of Alzheimer’s disease based on sparse logistic regression with the generalized elastic net,” Biomed Signal Process Control, vol. 66, no. 3, pp. 102362, 2020. https://doi.org/10.1016/j.bspc.2020.102362 [21] I. Goodfellow, Y. Bengio & A. Courville, Deep learning. CA, MA, USA: MIT press, 2016. [22] M. Coccia, “Deep learning technology for improving cancer care in society: New directions in cancer imaging driven by artificial intelligence,” Technol Soc, no. 60, pp. 101198, Oct. 2019. https://doi.org/10.1016/j.techsoc.2019.101198 [23] A. Janowczyk & A. Madabhushi, “Deep learning for digital pathology image analysis: A comprehensive tutorial with selected use cases,” J Pathol Inform, vol. 60, pp. 101198, 2016. https://doi.org/10.4103/2153-3539.186902 [24] K. He, X. Zhang, S. Ren & J. Sun, “Deep residual learning for image recognition,” presented at Proceedings of the IEEE conference on Computer Vision and Pattern Recognition, CVPR, Las Vegas, NV, USA, 27-30 Jun. 2016, pp. 770–778. https://doi.org/10.1109/CVPR.2016.90 [25] K. Simonyan & A. Zisserman, “Very deep convolutional networks for large-scale image recognition,” arXiv, pp. 1–14, 2014. Available: https://arxiv.org/abs/1409.1556 [26] Z. Zheng, J. Fu, C. Lu & Y. Zhu, “Research on rolling bearing fault diagnosis of small dataset based on a new optimal transfer learning network,” Measurement, vol. 177, pp. 109285, 2020. https://doi.org/10.1016/J.MEASUREMENT.2021.109285 [27] F. Chollet, “Xception: Deep learning with depthwise separable convolutions,” presented at Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, CVPR, Honolulu, HI, USA, 21-26 Jul. 2017, pp. 1251–1258. Available: https://arxiv.org/abs/1610.02357 |
| dc.relation.citationendpage.spa.fl_str_mv |
36 |
| dc.relation.citationstartpage.spa.fl_str_mv |
27 |
| dc.relation.citationissue.spa.fl_str_mv |
2 |
| dc.relation.citationvolume.spa.fl_str_mv |
2 |
| dc.relation.ispartofjournalabbrev.spa.fl_str_mv |
CESTA |
| dc.rights.spa.fl_str_mv |
© The author; licensee Universidad de la Costa - CUC. Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0) |
| dc.rights.uri.spa.fl_str_mv |
https://creativecommons.org/licenses/by-nc-nd/4.0/ |
| dc.rights.accessrights.spa.fl_str_mv |
info:eu-repo/semantics/openAccess |
| dc.rights.coar.spa.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
| rights_invalid_str_mv |
© The author; licensee Universidad de la Costa - CUC. Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0) https://creativecommons.org/licenses/by-nc-nd/4.0/ http://purl.org/coar/access_right/c_abf2 |
| eu_rights_str_mv |
openAccess |
| dc.format.extent.spa.fl_str_mv |
10 páginas |
| dc.format.mimetype.spa.fl_str_mv |
application/pdf |
| dc.publisher.spa.fl_str_mv |
Corporación Universidad de la Costa |
| dc.publisher.place.spa.fl_str_mv |
Barranquilla |
| dc.source.spa.fl_str_mv |
Computer and Electronic Sciences: Theory and Applications |
| institution |
Corporación Universidad de la Costa |
| dc.source.url.spa.fl_str_mv |
https://revistascientificas.cuc.edu.co/CESTA/article/view/3922 |
| bitstream.url.fl_str_mv |
https://repositorio.cuc.edu.co/bitstreams/f9814210-bf59-47cb-ba9e-45d2b6f01429/download https://repositorio.cuc.edu.co/bitstreams/b759f198-029a-47ab-b560-312a23d6bffb/download https://repositorio.cuc.edu.co/bitstreams/f2799f47-a7cf-49b7-b934-f3b3fc0fbf43/download https://repositorio.cuc.edu.co/bitstreams/cc5bbdbd-187c-4265-9895-18271d51d873/download |
| bitstream.checksum.fl_str_mv |
194974aaa384e54dfa70460e986816e2 e30e9215131d99561d40d6b0abbe9bad d868cd677d981d00d1e4bfb339f4e778 828f8bce12554b349d1ee72f89079fcf |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 |
| repository.name.fl_str_mv |
Repositorio de la Universidad de la Costa CUC |
| repository.mail.fl_str_mv |
repdigital@cuc.edu.co |
| _version_ |
1811760830575804416 |
| spelling |
Agudelo Gaviria, HaroldSarria-Paja, Milton2022-03-04T13:02:35Z2022-03-04T13:02:35Z2021H. Agudelo & M. Sarria-Paja, “Detección de cáncer de seno usando imágenes de histopatología y modelos de aprendizaje profundo pre-entrenados”, J. Comput. Electron. Sci.: Theory Appl., vol. 2, no. 2, pp. 27–36, 2021. https://doi.org/10.17981/cesta.02.02.2021.04https://hdl.handle.net/11323/9043https://doi.org/10.17981/cesta.02.02.2021.0410.17981/cesta.02.02.2021.042745-0090Corporación Universidad de la CostaREDICUC - Repositorio CUChttps://repositorio.cuc.edu.co/El cáncer es una enfermedad que se puede originar en cualquier parte del cuerpo. Comienza cuando las células infectadas crecen de forma descontrolada sobrepasando a las células sanas. El cáncer de seno, en su mayoría carcinomas, es el tipo más común entre las mujeres de todo el mundo. Los procedimientos utilizados para la detección de la enfermedad son aproximaciones diagnósticas, algunos de estos son invasivos. Usando herramientas digitales, es posible desarrollar o implementar sistemas de diagnóstico asistido para agilizar el proceso y permitir mayor confiabilidad de los análisis. El presente estudio se realiza con imágenes digitales de histopatología a partir de la base de datos de acceso abierto. Se evalúan tres escenarios, partiendo desde un esquema clásico, luego el se incluye el uso de modelos profundos pre-entrenados y finalmente se evaluá un modelo profundo con una red neuronal convolucional. El rendimiento de cada uno de los métodos sometidos a estudio se evaluaron calculando las medidas diagnósticas de precisión, sensibilidad y especificidad, logrando así encontrar el modelo que mejor se adecua a la tarea abordada. Se observa que los modelos pre-entrenados aportan información altamente discriminante a pesar de haber sido entrenados para una tarea completamente diferente. En general los modelos profundos permiten mejorar significativamente la especificidad del sistema al comparar con el enfoque clásico.Cancer is a disease that can start anywhere in the body. It begins when infected cells grow out of control, outpac-ing normal cells. Breast cancer is the most common type in women around the world. Most of them are carcinomas, these originate in the cells that cover the organs and tissues of the body. The procedures used to detect the disease are diagnostic approaches, and some are invasive. Using digital tools, it is possible to develop or implement assisted diagnos-tic systems to streamline the process and allow greater reli-ability of the analyzes. The present study is carried out with digital histopathology images. In this study three scenarios were evaluated, starting from a classical machine learning scheme, logistic regression combined with principal compo-nent analysis. Then we include the use of pre-trained deep models and finally a deep model based on a convolutional neural network. The performance for each approach was evaluated by calculating three diagnostic measures such as precision, sensitivity and specificity. It is observed that the pre-trained models provide highly disciminative information despite having been trained for a completely different task. In general, deep models allow to significantly improve the specificity of the system when compared with the classical approach.10 páginasapplication/pdfspaCorporación Universidad de la CostaBarranquilla© The author; licensee Universidad de la Costa - CUC.Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)https://creativecommons.org/licenses/by-nc-nd/4.0/info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Computer and Electronic Sciences: Theory and Applicationshttps://revistascientificas.cuc.edu.co/CESTA/article/view/3922Detección de cáncer de seno usando imágenes de histopatología y modelos de aprendizaje profundo pre-entrenadosBreast cancer detection using digital histopathology images and pre-trained deep learning modelsArtículo de revistahttp://purl.org/coar/resource_type/c_6501http://purl.org/coar/resource_type/c_2df8fbb1Textinfo:eu-repo/semantics/articlehttp://purl.org/redcol/resource_type/ARTinfo:eu-repo/semantics/acceptedVersionComputer and Electronic Sciences: Theory and Applications[1] T. J. Key, P. K. Verkasalo & E. Banks, “Epidemiology of breast cancer,” Lancet Oncol, vol. 2, no. 3, pp. 133–140, Mar. 2001. https://doi.org/10.1016/S1470-2045(00)00254-0[2] M. Akram, M. Iqbal, M. Daniyal & A. U. Khan, “Awareness and current knowledge of breast cancer,” Biol Res, vol. 50, no. 1, pp. 1–23, Oct. 2017. https://doi.org/10.1186/s40659-017-0140-9[3] A. S. Y. Leong & A. Zhuang, “The changing role of pathology in breast cancer diagnosis and treatment,” Pathobiology, vol. 78, no. 2, pp. 99–114, 2011. https://doi.org/10.1159/000292644[4] A. Bereciartua, “Desarrollo de algoritmos de procesamiento de imagen avanzado para interpretación de imágenes médicas. Aplicación a segmentación de hígado sobre imágenes de Resonancia Magnética multisecuencia,” Doctoral dissertation, UPVEHU. Bilbao, ES, 2016. Disponible en http://hdl.handle.net/10810/20703[5] A. Mert, N. KJlJç, E. Bilgili & A. Akan, “Breast Cancer Detection with Reduced Feature Set,” Comput Math Methods Med, pp. 1–12, 2014. https://doi.org/10.1155/2015/265138[6] C. M. Bishop, Pattern recognition. Machine learning. SG: Springer, 2006.[7] A. Cruz-Roa, A. Basavanhally, F. González, H. Gilmore, M. Feldman, S. Ganesan & A. Madabhushi, “Automatic detection of invasive ductal carcinoma in whole slide images with convolutional neural networks,” presented at Medical Imaging 2014: Digital Pathology, vol. 9041, SPIE, SD, CA, USA, 20 Mar. 2014, . https://doi.org/10.1117/12.2043872[8] C. Zhu, F. Song, Y. Wang, H. Dong, Y. Guo & J. Liu, “Breast cancer histopathology image classification through assembling multiple compact CNNs,” BMC Med Inform Decis Mak, vol. 19, no. 1, pp. 1–17, Oct. 2019. https://doi.org/10.1186/s12911-019-0913-x[9] Z. Hameed, S. Zahia, B. Garcia-Zapirain, J. Javier Aguirre & A. M. Vanegas, “Breast cancer histopathology image classification using an ensemble of deep learning models,” Sensors, vol. 20, no. 16, pp. 1–17, Aug. 2020. https://doi.org/10.3390/s20164373[10] M. A. Al-masni, , M. A. Al-antari, J.-M. Park, G. Gi, T.-Y. Kim, P. Rivera & T. S. P. Kim, “Simultaneous detection and classification of breast masses in digital mammograms via a deep learning YOLO-based CAD system,” Comput Meth Prog Bio, vol. 157, pp. 85–94, 2018. https://doi.org/10.1016/j.cmpb.2018.01.017[11] H. Chougrad, H. Zouaki & O. Alheyane, “Deep Convolutional Neural Networks for breast cancer screening,” Comput Methods Programs Biomed, pp. 19–30, 2018. https://doi.org/10.1016/j.cmpb.2018.01.011[12] F. Bray, J. Ferlay, I. Soerjomataram, R. L. Siegel, L. A Torre & A. Jemal, “Global Cancer Statistics 2018: GLOBOCAN Estimates of Incidence and Mortality Worldwide for 36 Cancers in 185 Countries,” CA Cancer J Clin, vol. 68, no. 6, pp. 394–424, 2018. https://doi.org/10.3322/caac.21492[13] R. Wainschenker, J. Massa & P. Tristan, Procesamiento digital de imagenes. (2011). Clase Teórico Práctica Nº 1. Buenos Aires, Argentina: UNICEN. Obtenido de https://users.exa.unicen.edu.ar/catedras/pdi/FILES/TE/CP1.pdf[14] Á. Martínez, “Bases Teóricas, Digitalización y Análisis de Imágenes,” in Manual de Telepatología, L. Alfaro, M. García y A. Puras, ed., Pamplona, ES: Club de Informática Aplicada a la Sociedad Española de Anatomía Patológica, 2001. Disponible en https://www.seap.es/manual-de-telepatologia[15] J. C. Russ, The image processing handbook. BR, USA: CRC press, 2006. https://doi.org/10.1201/9780203881095[16] G. Mandloi, “A survey on feature extraction techniques for color images,” IJCSIT, vol. 5, no. 3, pp. 4615–4620, 2014. Available from http://www.ijcsit.com/docs/Volume%205/vol5issue03/ijcsit20140503424.pdf[17] J. Ma & Y. Yuan, “Dimension reduction of image deep feature using PCA,” J Vis Commun Image Represent, vol. 63, no. 5, pp.102578, 2019. https://doi.org/10.1016/j.jvcir.2019.102578[18] G. S. Fletcher, Clinical epidemiology: the essentials. FI, USA: LWW, 2019.[19] Z. H. Hoo, Z. H. Candlish & D. Teare, “What is an ROC curve?,” Emerg Med J, vol. 34, pp. 357–359, 2017. https://doi.org/10.1136/emermed-2017-206735[20] R. Xiao, X. Cui, H. Qiao, X. Zheng, Y. Zhang, C. Zhang & X. Liu, “Early diagnosis model of Alzheimer’s disease based on sparse logistic regression with the generalized elastic net,” Biomed Signal Process Control, vol. 66, no. 3, pp. 102362, 2020. https://doi.org/10.1016/j.bspc.2020.102362[21] I. Goodfellow, Y. Bengio & A. Courville, Deep learning. CA, MA, USA: MIT press, 2016.[22] M. Coccia, “Deep learning technology for improving cancer care in society: New directions in cancer imaging driven by artificial intelligence,” Technol Soc, no. 60, pp. 101198, Oct. 2019. https://doi.org/10.1016/j.techsoc.2019.101198[23] A. Janowczyk & A. Madabhushi, “Deep learning for digital pathology image analysis: A comprehensive tutorial with selected use cases,” J Pathol Inform, vol. 60, pp. 101198, 2016. https://doi.org/10.4103/2153-3539.186902[24] K. He, X. Zhang, S. Ren & J. Sun, “Deep residual learning for image recognition,” presented at Proceedings of the IEEE conference on Computer Vision and Pattern Recognition, CVPR, Las Vegas, NV, USA, 27-30 Jun. 2016, pp. 770–778. https://doi.org/10.1109/CVPR.2016.90[25] K. Simonyan & A. Zisserman, “Very deep convolutional networks for large-scale image recognition,” arXiv, pp. 1–14, 2014. Available: https://arxiv.org/abs/1409.1556[26] Z. Zheng, J. Fu, C. Lu & Y. Zhu, “Research on rolling bearing fault diagnosis of small dataset based on a new optimal transfer learning network,” Measurement, vol. 177, pp. 109285, 2020. https://doi.org/10.1016/J.MEASUREMENT.2021.109285[27] F. Chollet, “Xception: Deep learning with depthwise separable convolutions,” presented at Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, CVPR, Honolulu, HI, USA, 21-26 Jul. 2017, pp. 1251–1258. Available: https://arxiv.org/abs/1610.02357362722CESTAAprendizaje profundoCáncer de senoImágenes digitalesDiagnostico asistidoDeep learningBreast cancerDigital imagesAssisted diagnosisPublicationORIGINALDetección de cáncer de seno usando imágenes de histopatología y modelos de aprendizaje profundo pre-entrenados.pdfDetección de cáncer de seno usando imágenes de histopatología y modelos de aprendizaje profundo pre-entrenados.pdfapplication/pdf989252https://repositorio.cuc.edu.co/bitstreams/f9814210-bf59-47cb-ba9e-45d2b6f01429/download194974aaa384e54dfa70460e986816e2MD51LICENSElicense.txtlicense.txttext/plain; charset=utf-83196https://repositorio.cuc.edu.co/bitstreams/b759f198-029a-47ab-b560-312a23d6bffb/downloade30e9215131d99561d40d6b0abbe9badMD52TEXTDetección de cáncer de seno usando imágenes de histopatología y modelos de aprendizaje profundo pre-entrenados.pdf.txtDetección de cáncer de seno usando imágenes de histopatología y modelos de aprendizaje profundo pre-entrenados.pdf.txttext/plain41655https://repositorio.cuc.edu.co/bitstreams/f2799f47-a7cf-49b7-b934-f3b3fc0fbf43/downloadd868cd677d981d00d1e4bfb339f4e778MD53THUMBNAILDetección de cáncer de seno usando imágenes de histopatología y modelos de aprendizaje profundo pre-entrenados.pdf.jpgDetección de cáncer de seno usando imágenes de histopatología y modelos de aprendizaje profundo pre-entrenados.pdf.jpgimage/jpeg12122https://repositorio.cuc.edu.co/bitstreams/cc5bbdbd-187c-4265-9895-18271d51d873/download828f8bce12554b349d1ee72f89079fcfMD5411323/9043oai:repositorio.cuc.edu.co:11323/90432024-09-17 14:06:55.065https://creativecommons.org/licenses/by-nc-nd/4.0/© The author; licensee Universidad de la Costa - CUC.open.accesshttps://repositorio.cuc.edu.coRepositorio de la Universidad de la Costa CUCrepdigital@cuc.edu.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 |