Herramienta de diagnóstico asistido por computador para identificación y clasificación de lesiones cutáneas en imágenes médicas
El melanoma se considera el cáncer de piel más grave en todo el mundo, categorizado como un problema de salud pública debido a su alta incidencia en poblaciones y por las grandes variaciones geográficas en los países y regiones del mundo con relación en la mortalidad desproporcional. Las herramienta...
- Autores:
-
Castellano, Diego Andrés
- Tipo de recurso:
- Trabajo de grado de pregrado
- Fecha de publicación:
- 2022
- Institución:
- Universidad Francisco de Paula Santander
- Repositorio:
- Repositorio Digital UFPS
- Idioma:
- spa
- OAI Identifier:
- oai:repositorio.ufps.edu.co:ufps/6760
- Acceso en línea:
- https://repositorio.ufps.edu.co/handle/ufps/6760
- Palabra clave:
- Imágenes médicas
Lesiones cutáneas
Algoritmo híbrido denso
Lesiones cutáneas
Herramienta de diagnóstico asistido por computador
Algoritmo híbrido denso
Python
Raspberry PI
- Rights
- openAccess
- License
- Derechos Reservados - Universidad Francisco de Paula Santander, 2022
| id |
RUFPS2_6556f6c6453bfe2c285abce508dcb828 |
|---|---|
| oai_identifier_str |
oai:repositorio.ufps.edu.co:ufps/6760 |
| network_acronym_str |
RUFPS2 |
| network_name_str |
Repositorio Digital UFPS |
| repository_id_str |
|
| dc.title.spa.fl_str_mv |
Herramienta de diagnóstico asistido por computador para identificación y clasificación de lesiones cutáneas en imágenes médicas |
| title |
Herramienta de diagnóstico asistido por computador para identificación y clasificación de lesiones cutáneas en imágenes médicas |
| spellingShingle |
Herramienta de diagnóstico asistido por computador para identificación y clasificación de lesiones cutáneas en imágenes médicas Imágenes médicas Lesiones cutáneas Algoritmo híbrido denso Lesiones cutáneas Herramienta de diagnóstico asistido por computador Algoritmo híbrido denso Python Raspberry PI |
| title_short |
Herramienta de diagnóstico asistido por computador para identificación y clasificación de lesiones cutáneas en imágenes médicas |
| title_full |
Herramienta de diagnóstico asistido por computador para identificación y clasificación de lesiones cutáneas en imágenes médicas |
| title_fullStr |
Herramienta de diagnóstico asistido por computador para identificación y clasificación de lesiones cutáneas en imágenes médicas |
| title_full_unstemmed |
Herramienta de diagnóstico asistido por computador para identificación y clasificación de lesiones cutáneas en imágenes médicas |
| title_sort |
Herramienta de diagnóstico asistido por computador para identificación y clasificación de lesiones cutáneas en imágenes médicas |
| dc.creator.fl_str_mv |
Castellano, Diego Andrés |
| dc.contributor.advisor.none.fl_str_mv |
Medina Delgado, Byron Castro Casadiego, Sergio |
| dc.contributor.author.none.fl_str_mv |
Castellano, Diego Andrés |
| dc.contributor.corporatename.spa.fl_str_mv |
Universidad Francisco de Paula Santander |
| dc.contributor.jury.none.fl_str_mv |
Cardozo Sarmiento, Darwin Orlando Quintero Ayala, Sergio Iván |
| dc.subject.lemb.none.fl_str_mv |
Imágenes médicas Lesiones cutáneas Algoritmo híbrido denso |
| topic |
Imágenes médicas Lesiones cutáneas Algoritmo híbrido denso Lesiones cutáneas Herramienta de diagnóstico asistido por computador Algoritmo híbrido denso Python Raspberry PI |
| dc.subject.proposal.spa.fl_str_mv |
Lesiones cutáneas Herramienta de diagnóstico asistido por computador Algoritmo híbrido denso Python Raspberry PI |
| description |
El melanoma se considera el cáncer de piel más grave en todo el mundo, categorizado como un problema de salud pública debido a su alta incidencia en poblaciones y por las grandes variaciones geográficas en los países y regiones del mundo con relación en la mortalidad desproporcional. Las herramientas asistidas por computador son reconocidas por la capacidad de identificar y clasificar la región de interés de la lesión cutánea con el fin de permitir tratamientos clínicos en función de un diagnóstico remoto y preciso. En esta investigación, se presenta una herramienta de diagnóstico asistido por computador integrada con un algoritmo híbrido denso para la identificación y clasificación de lesiones cutáneas implementada sobre el sistema embebido Raspberry Pi 4B en lenguaje de programación Python. Para entrenamiento y evaluación del algoritmo híbrido se utilizó el conjunto de datos ISIC Challenge versión 2018 y se presentó una exactitud diagnóstica de 98 % para lesiones no malignas, 93.80 % para carcinoma y 94.50 % sobre lesiones de tipo melanoma con valor medio en el uso de CPU de 4.33 %, tasa de uso de memoria temporal promedio de 12.40 % con tiempo de inferencia medio de 12.37 ms. |
| publishDate |
2022 |
| dc.date.issued.none.fl_str_mv |
2022-06-24 |
| dc.date.accessioned.none.fl_str_mv |
2024-03-22T14:53:38Z |
| dc.date.available.none.fl_str_mv |
2024-03-22T14:53:38Z |
| dc.type.spa.fl_str_mv |
Trabajo de grado - Pregrado |
| dc.type.coarversion.fl_str_mv |
http://purl.org/coar/version/c_970fb48d4fbd8a85 |
| dc.type.coar.spa.fl_str_mv |
http://purl.org/coar/resource_type/c_7a1f |
| dc.type.content.spa.fl_str_mv |
Text |
| dc.type.driver.spa.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
| dc.type.redcol.spa.fl_str_mv |
https://purl.org/redcol/resource_type/TP |
| dc.type.version.spa.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
| format |
http://purl.org/coar/resource_type/c_7a1f |
| status_str |
publishedVersion |
| dc.identifier.uri.none.fl_str_mv |
https://repositorio.ufps.edu.co/handle/ufps/6760 |
| url |
https://repositorio.ufps.edu.co/handle/ufps/6760 |
| dc.language.iso.spa.fl_str_mv |
spa |
| language |
spa |
| dc.rights.spa.fl_str_mv |
Derechos Reservados - Universidad Francisco de Paula Santander, 2022 |
| dc.rights.coar.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
| dc.rights.accessrights.spa.fl_str_mv |
info:eu-repo/semantics/openAccess |
| dc.rights.creativecommons.spa.fl_str_mv |
Atribución-NoComercial-CompartirIgual 4.0 Internacional (CC BY-NC-SA 4.0) |
| rights_invalid_str_mv |
Derechos Reservados - Universidad Francisco de Paula Santander, 2022 Atribución-NoComercial-CompartirIgual 4.0 Internacional (CC BY-NC-SA 4.0) http://purl.org/coar/access_right/c_abf2 |
| eu_rights_str_mv |
openAccess |
| dc.format.extent.spa.fl_str_mv |
140 páginas. ilustraciones,(Trabajo completo) 8.247 KB |
| dc.format.mimetype.spa.fl_str_mv |
application/pdf |
| dc.publisher.spa.fl_str_mv |
Universidad Francisco de Paula Santander |
| dc.publisher.faculty.spa.fl_str_mv |
Facultad de Ingeniería |
| dc.publisher.place.spa.fl_str_mv |
San José de Cúcuta |
| dc.publisher.program.spa.fl_str_mv |
Ingeniería Electrónica |
| dc.source.spa.fl_str_mv |
https://catalogobiblioteca.ufps.edu.co/descargas/tesis/1161559.pdf |
| institution |
Universidad Francisco de Paula Santander |
| bitstream.url.fl_str_mv |
https://repositorio.ufps.edu.co/bitstream/ufps/6760/1/1161559.pdf https://repositorio.ufps.edu.co/bitstream/ufps/6760/2/license.txt https://repositorio.ufps.edu.co/bitstream/ufps/6760/3/1161559.pdf.txt https://repositorio.ufps.edu.co/bitstream/ufps/6760/4/1161559.pdf.jpg |
| bitstream.checksum.fl_str_mv |
6b670d4bbf1966326c0a8a58801b810d 2f9959eaf5b71fae44bbf9ec84150c7a 86ac31b4724d5f1714d8b0b210bb986b 512fcc8864b0472e5478765a5900a6ef |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 |
| repository.name.fl_str_mv |
Repositorio Universidad Francisco de Paula Santander |
| repository.mail.fl_str_mv |
bdigital@metabiblioteca.com |
| _version_ |
1814095012064919552 |
| spelling |
Medina Delgado, Byron77a81f47bf20466c22fcea2d1e82a753600Castro Casadiego, Sergio 539e8559e348f010cc825d040aecc665600Castellano, Diego Andrés 9cb407cc5abce9cc6cfbb546ec28dfe2600Universidad Francisco de Paula SantanderCardozo Sarmiento, Darwin OrlandoQuintero Ayala, Sergio Iván2024-03-22T14:53:38Z2024-03-22T14:53:38Z2022-06-24https://repositorio.ufps.edu.co/handle/ufps/6760El melanoma se considera el cáncer de piel más grave en todo el mundo, categorizado como un problema de salud pública debido a su alta incidencia en poblaciones y por las grandes variaciones geográficas en los países y regiones del mundo con relación en la mortalidad desproporcional. Las herramientas asistidas por computador son reconocidas por la capacidad de identificar y clasificar la región de interés de la lesión cutánea con el fin de permitir tratamientos clínicos en función de un diagnóstico remoto y preciso. En esta investigación, se presenta una herramienta de diagnóstico asistido por computador integrada con un algoritmo híbrido denso para la identificación y clasificación de lesiones cutáneas implementada sobre el sistema embebido Raspberry Pi 4B en lenguaje de programación Python. Para entrenamiento y evaluación del algoritmo híbrido se utilizó el conjunto de datos ISIC Challenge versión 2018 y se presentó una exactitud diagnóstica de 98 % para lesiones no malignas, 93.80 % para carcinoma y 94.50 % sobre lesiones de tipo melanoma con valor medio en el uso de CPU de 4.33 %, tasa de uso de memoria temporal promedio de 12.40 % con tiempo de inferencia medio de 12.37 ms.Introducción 18 1. Descripción del proyecto 20 1.1 Planteamiento del problema 20 1.2 Justificación del proyecto 21 1.2.1 Beneficios tecnológicos 23 1.2.2 Beneficios sociales 23 1.2.3 Beneficios institucionales 23 1.2.4 Beneficios económicos 24 1.3 Objetivos 24 1.3.1 General 24 1.3.2 Específicos 24 1.4 Limitaciones y delimitaciones 25 1.4.1 Limitaciones 25 1.4.2 Delimitaciones 25 2. Marco referencial 27 2.1 Antecedentes 27 2.2 Marco teórico 33 2.2.1 Cáncer de piel 33 2.2.2 Carcinoma 33 2.2.3 Melanoma 35 2.2.4 Lesiones no malignas 36 2.2.5 Herramienta de diagnóstico asistida por computador 37 2.2.6 Visión artificial 37 2.2.7 Procesamiento digital de imágenes 38 2.2.8 Técnicas para la extracción y reducción de características 39 2.2.9 DenseNet121 39 2.2.10 Matriz de Coocurrencia de Niveles de Gris (GLCM) 40 2.2.11 Análisis de Componentes Principales (PCA) 41 2.2.12 Modelos de aprendizaje y clasificación 41 2.2.13 Máquinas de vectores de soporte (SVM) 41 2.2.14 Redes Neuronales Convolucionales (CNN) 43 2.2.15 LightGBM 44 2.2.16 XGBoost 45 2.2.17 Python 46 2.2.18 OpenCV 46 2.2.19 TensorFlow 46 2.2.20 Sistemas embebidos 47 2.2.21 Rasberry Pi 4B 47 2.2.22 Interfaz gráfica de usuario 48 2.3 Marco legal 48 3. Metodología 52 3.1 Documentar el estado del arte con respecto a técnicas de diagnóstico y clasificación de cáncer de piel 52 3.2 Aplicación de técnicas de procesamiento digital de imágenes y visión artificial para la extracción y mejora de características de interés de la lesión cutánea 52 3.2.1 Procesamiento digital de imágenes médicas y visión artificial 53 3.2.2 Validación del método de supresión del vello corporal y segmentación 3.3 59 Desarrollo de algoritmos de inteligencia artificial para clasificación de lesiones y evaluar el desempeño de los clasificadores mediante pruebas de funcionamiento 3.3.1 DenseNet121 3.3.2 Análisis de componentes principales (PCA) 3.3.3 XGBoost 3.3.4 Evaluación de los métodos de aprendizaje 3.3.5 Definición del conjunto de datos de lesiones cutáneas utilizado 3.4 60 60 61 63 64 66 Implementación de una interfaz gráfica de usuario como herramienta de apoyo para el diagnóstico asistido por computador 4. Resultados 4.1 4.2 Documentación de literatura y selección de herramientas Técnicas de tratamiento digital de imágenes y validación 4.2.1 Algoritmo para supresión de vello corporal y segmentación 4.2.2 Conversión a escala de grises 4.2.3 Detección de vello corporal mediante el algoritmo Canny 4.2.4 Aplicación de dilatación morfológica y binarización del vello corporal 67 70 70 77 77 78 79 79 4.2.5 Trazado para atenuación del vello corporal en las imágenes para diagnóstico 79 4.2.6 Filtro de suavizado medio 4.2.7 Segmentación de la lesión 4.2.8 Validación de la eliminación del vello corporal y segmentación de la lesión 4.3 Diseño del algoritmo hibrido propuesto y pruebas de rendimiento 4.3.1 Metodología del algoritmo híbrido denso 80 80 81 82 83 4.3.2 Algoritmo híbrido propuesto para extracción de características, reducción de componentes y clasificación de la lesión 4.3.3 Extracción de características 4.3.4 Reducción de componentes 4.3.5 Clasificación de las imágenes 4.3.6 Validación de los modelos mediante parámetros de software y hardware 4.4 Implementación de la herramienta de diagnóstico asistido por computador 84 84 85 86 87 94 4.4.1 Diseño e implementación de la herramienta de diagnóstico asistido por computador 94 4.4.2 Diagrama de casos de uso de la herramienta de diagnóstico asistido por computador 4.4.3 Arquitectura del sistema 4.4.4 Algoritmo propuesto para el diagnóstico de lesiones cutáneas 95 97 98 4.4.5 Validación del algoritmo híbrido denso y la herramienta de diagnóstico bajo criterios de usabilidad 4.4.6 Divulgación de resultados a la comunidad académica y científica 5. 6. 7. 8. 9. Conclusiones Recomendaciones Trabajos futuros Bibliografía Anexos 99 100 103 105 106 107 118PregradoIngeniero(a) Electrónico(a)140 páginas. ilustraciones,(Trabajo completo) 8.247 KBapplication/pdfspaUniversidad Francisco de Paula SantanderFacultad de IngenieríaSan José de CúcutaIngeniería ElectrónicaDerechos Reservados - Universidad Francisco de Paula Santander, 2022info:eu-repo/semantics/openAccessAtribución-NoComercial-CompartirIgual 4.0 Internacional (CC BY-NC-SA 4.0)http://purl.org/coar/access_right/c_abf2https://catalogobiblioteca.ufps.edu.co/descargas/tesis/1161559.pdfHerramienta de diagnóstico asistido por computador para identificación y clasificación de lesiones cutáneas en imágenes médicasTrabajo de grado - Pregradohttp://purl.org/coar/resource_type/c_7a1fTextinfo:eu-repo/semantics/bachelorThesishttps://purl.org/redcol/resource_type/TPinfo:eu-repo/semantics/publishedVersionhttp://purl.org/coar/version/c_970fb48d4fbd8a85Imágenes médicasLesiones cutáneasAlgoritmo híbrido densoLesiones cutáneasHerramienta de diagnóstico asistido por computadorAlgoritmo híbrido densoPythonRaspberry PIJ E Márquez Díaz, “Deep Artificial Vision Applied to the Early Identification of Non-Melanoma Cancer and Actinic Keratosis,” Comput. y Sist., vol. 24, no. 2, pp. 751–766, Jun. 2020, doi: 10.13053/cys-24-2-2901.K. Neshatpour et al., “ ig biomedical image processing hardware acceleration: A case study for K-means and image filtering,” Proc. - IEEE Int. Symp. Circuits Syst., pp. 1134–1137, Jul. 2016, doi: 10.1109/ISCAS.2016.7527445.T. B. Jutzi et al., “Artificial Intelligence in Skin Cancer Diagnostics: The Patients’ Perspective,” Front. Med., vol. 7, no. June, 2020, doi: 10.3389/fmed.2020.00233.K. Zafar et al., “Skin esion Segmentation from Dermoscopic Images sing Convolutional eural etwork,” Sensors 2020, Vol. 20, Page 1601, vol. 20, no. 6, p. 1601, Mar. 2020, doi: 10.3390/S20061601.M. N. Bajwa et al., “Computer-Aided Diagnosis of Skin Diseases Using Deep Neural etworks,” Appl. Sci. 2020, Vol. 10, Page 2488, vol. 10, no. 7, p. 2488, Apr. 2020, doi: 10.3390/APP10072488.M. Salcedo Faytong, I A Torres Chávez, and H E omero rrea, “FACTO ES DE RIESGO QUE PREDISPONEN A LA APARICIÓN DEL CANCER DE PIEL UN EST DIO DE EVISIÓ ,” Más Vita, vol. 2, no. 3 Extraord, pp. 97–103, Dec. 2020, doi: 10.47606/ACVEN/MV0045.H. Li et al., “Dense Deconvolutional etwork for Skin esion Segmentation,” IEEE J. Biomed. Heal. Informatics, vol. 23, no. 2, pp. 527–537, Mar. 2019, doi: 10.1109/JBHI.2018.2859898.D H Thanh, V S Prasath, M Hieu, and Hien, “Melanoma Skin Cancer Detection Method Based on Adaptive Principal Curvature, Colour ormalisation and Feature Extraction with the A CD ule,” J. Digit. Imaging, vol. 33, no. 3, pp. 574–585, Dec. 2020, doi: 10.1007/s10278-019-00316-x.Y. Chung et al., “Poor agreement between the automated risk assessment of a smartphone application for skin cancer detection and the rating by dermatologists,” J. Eur. Acad. Dermatology Venereol., vol. 34, no. 2, pp. 274–278, Feb. 2020, doi: 10.1111/JDV.15873.D auren E, S Sara C, and T Alan J, “Current state of melanoma diagnosis and treatment,” Cancer Biol. Ther., vol. 20, no. 11, pp. 1366–1379, Nov. 2019, doi: 10.1080/15384047.2019.1640032.V. C. Restrepo Arias, H. V. Arévalo Riaño, J. D. Ríos Cerón, B. E. Paz Córdoba, and J C Caicedo, “Aspectos epidemiológicos del cáncer de piel diagnosticado en el año 2012 en 4 centros de referencia de Popayán, Colombia: un estudio observacional de corte transversal,” Rev. Colomb. Cirugía Plástica y Reconstr., vol. 22, no. 1, pp. 3643, Jul. 2016, Accessed: Aug. 07, 2021. [Online]. Available: http://www.ciplastica.com/ojs/index.php/rccp/article/view/7.A. Esteva et al., “Dermatologist-level classification of skin cancer with deep neural networks,” Nat. , vol. 542, no. 7639, pp. 115–118, Jan. 2017, doi: 10.1038/nature21056.P. Tschandl et al., “Human–computer collaboration for skin cancer recognition,” Nat. Med. , vol. 26, no. 8, pp. 1229–1234, Jun. 2020, doi: 10.1038/s41591-020-0942-0.V Dick, C Sinz, M Mittlböck, H Kittler, and P Tschandl, “Accuracy of ComputerAided Diagnosis of Melanoma: A Meta-analysis,” JAMA Dermatology, vol. 155, no. 11, pp. 1291–1299, Nov. 2019, doi: 10.1001/JAMADERMATOL.2019.1375.C Pérez orenzo, “Detección precoz de cáncer de piel en imágenes basado en redes convolucionales,” niversidad Autónoma de Madrid, 2019R.R. Coronado Pérez, “ econocimiento de Patrones en Imágenes no Dermatoscópicas para la detección de Enfermedades Malignas en la Piel, utilizando Redes Neuronales Convolutivas Y Autocodificadores,” niversidad acional de San Agustín, 2018S Majumder and M A llah, “Feature extraction from dermoscopy images for melanoma diagnosis,” SN Appl. Sci., vol. 1, no. 7, pp. 1–11, 2019, doi: 10.1007/s42452-019-0786-8.J. Jaworek-Korjakowska, “Computer-aided diagnosis of micro-malignant melanoma lesions applying support vector machines,” Biomed Res. Int., vol. 2016, pp. 1–8, 2016, doi: 10.1155/2016/4381972.M Goyal, T Knackstedt, S Yan, and S Hassanpour, “Artificial intelligence-based image classification methods for diagnosis of skin cancer: Challenges and opportunities,” Comput. Biol. Med., vol. 127, pp. 1–11, Dec. 2020, doi: 10.1016/J.COMPBIOMED.2020.104065.N. C. F. Codella et al., “Deep learning ensembles for melanoma recognition in dermoscopy images,” IBM J. Res. Dev., vol. 61, no. 4, Jul. 2017, doi: 10.1147/JRD.2017.2708299.P. Tschandl et al., “Expert-Level Diagnosis of Nonpigmented Skin Cancer by Combined Convolutional Neural etworks,” JAMA dermatology, vol. 155, no. 1, pp. 58–65, Jan. 2019, doi: 10.1001/JAMADERMATOL.2018.4378.A Matas Crespi, “Diseño de una aplicación para el tratamiento de imágenes dermatoscópicas,” niversitat Politècnica de Catalunya, 2018J. D. Calderon Ortiz, L. F. Morales Ticliahuanca, M. E. Roncal Moscol, and W. G. Solórzano equejo, “ so de Algoritmos de Machine earning para el Diagnóstico de Melanomas,” niversidad de Piura, 2021D. P. Merchán Vargas, H. Navarro Báez, J. G. Barrero Pérez, and J. A. Castillo ohórquez, “Design of a tool for the classification of skin cancer images using Deep Neural Networks (DNN) (Diseño de una herramienta para la clasificación de imágenes de cáncer de piel utilizando Redes Neuronales Profundas (DNN)) Design of a tool for the classificat,” Cienc. y Tecnol., vol. 21, pp. 65–80, 2021.Z Apalla, D ashan, Weller, and Castellsagué, “Skin Cancer: Epidemiology, Disease urden, Pathophysiology, Diagnosis, and Therapeutic Approaches,” Dermatol. Ther. (Heidelb)., vol. 7, pp. 5–19, Jan. 2017, doi: 10.1007/S13555-0160165-Y.C. Pellegrini, M. Giovanna Maturo, L. I. Di Nardo, V. Ciciarelli, C. Gutiérrez Garcíaodrigo, and M Concetta Fargnoli, “ nderstanding the Molecular Genetics of asal Cell Carcinoma,” Int. J. Mol. Sci., vol. 18, no. 2485, pp. 3–16, 2017, doi: 10.3390/ijms18112485.M. C. Cameron et al., “ asal cell carcinoma: Contemporary approaches to diagnosis, treatment, and prevention,” J. Am. Acad. Dermatol., vol. 80, no. 2, pp. 321–339, Feb. 2019, doi: 10.1016/J.JAAD.2018.02.083.A. Acosta et al., “Guía de atención integral con evaluación económica para la prevención, el diagnóstico, el tratamiento y el seguimiento del cáncer de piel no melanoma: carcinoma basocelular,” Rev. la Asoc. Colomb. Dermatología y Cirugía Dermatológica, vol. 23, no. 4, pp. 258–296, Oct. 2015, doi: 10.29176/2590843X.282.F C Pozzobon, E Acosta, and J S Castillo, “Cáncer de piel en Colombia: cifras del Instituto Nacional de Cancerología,” Rev. la Asoc. Colomb. Dermatología y Cirugía Dermatológica, vol. 26, no. 1, pp. 12–17, Apr. 2018, doi: 10.29176/2590843X.25.E. V. Seiverling et al., “Teaching enign Skin esions as a Strategy to Improve the Triage Amalgamated Dermoscopic Algorithm TADA ,” J. Am. Board Fam. Med., vol. 32, no. 1, pp. 96–102, Jan. 2019, doi: 10.3122/JABFM.2019.01.180049.I.-A. Grajdeanu et al., “ se of imaging techniques for melanocytic naevi and basal cell carcinoma in integrative analysis eview ,” Exp. Ther. Med., vol. 20, no. 1, Mar. 2020, doi: 10.3892/etm.2020.8620.V M Arévalo, J González, and G Ambrosio, “ a ibrería de Visión Artificial OpenCV aplicación a la Docencia e Investigación,” Base Informática, no. 40, pp. 6166, 2004, Accessed: Dec. 14, 2021. [Online]. Available: https://dialnet.unirioja.es/servlet/articulo?codigo=1109583.E Seeram, “Digital Image Processing Concepts,” in Digital Radiography, Springer, Singapore, 2019, pp. 21–39.Q. Wang et al., “A Two-Stage Low-Altitude Remote Sensing Papaver Somniferum Image Detection System ased on YO Ov5s Dense et121,” Remote Sens. 2022, Vol. 14, Page 1834, vol. 14, no. 8, pp. 1–18, Apr. 2022, doi: 10.3390/RS14081834.Y. Hao, J. Wang, Y. Liu, Z. Xu, and J Fan, “Extracting Spatio-Temporal Texture signatures for crowd abnormality detection,” ICAC 2017 - 2017 23rd IEEE Int. Conf. Autom. Comput. Addressing Glob. Challenges through Autom. Comput., Oct. 2017, doi: 10.23919/ICONAC.2017.8082051.M. Lingaraj, A Senthilkumar, and J amkumar, “Prediction of Melanoma Skin Cancer sing Veritable Support Vector Machine,” Ann. Rom. Soc. Cell Biol., vol. 25, pp. 2623 – 2636, Apr. 2021, Accessed: Dec. 14, 2021. [Online]. Available: https://www.annalsofrscb.ro/index.php/journal/article/view/2800.J. Cervantes, F. Garcia-Lamont, L. Rodríguez-Mazahua, and A opez, “A comprehensive survey on support vector machine classification: Applications, challenges and trends,” Neurocomputing, vol. 408, pp. 189–215, Sep. 2020, doi: 10.1016/J.NEUCOM.2019.10.118.S mer, P P Mohanta, K out, and H M Pandey, “Machine learning method for S mer, P P Mohanta, K out, and H M Pandey, “Machine learning method forJ Sa, Z i, Q Yang, and Chen, “Packaging defect detection system based on machine vision and deep learning,” 2020 5th Int. Conf. Comput. Commun. Syst. ICCCS 2020, pp. 404–408, 2020, doi: 10.1109/ICCCS49078.2020.9118413.P. Nagrath, R. Jain, A. Madan, Arora, P Kataria, and J Hemanth, “SSDM V2: A real time DNN-based face mask detection system using single shot multibox detector and Mobile etV2,” Sustain. Cities Soc., vol. 66, no. August 2020, p. 102692, 2021, doi: 10.1016/j.scs.2020.102692.F. Milletari et al., “Hough-CNN: Deep learning for segmentation of deep brain regions in M I and ultrasound,” Comput. Vis. Image Underst., vol. 164, pp. 92–102, 2017, doi: 10.1016/j.cviu.2017.04.002.C.-J. Huang, Y.-H. Chen, Y. Ma, and P.-H Kuo, “Multiple-Input Deep Convolutional Neural Network Model for COVID-19 Forecasting in China,” medRxiv, pp. 1–16, Mar. 2020, doi: 10.1101/2020.03.23.20041608.J Zhang, D Mucs, orinder, and F Svensson, “ ightG M: An Effective and Scalable Algorithm for Prediction of Chemical Toxicity-Application to the Tox21 and Mutagenicity Data Sets,” J. Chem. Inf. Model., pp. 1–9, 2019, doi: 10.1021/ACS.JCIM.9B00633/SUPPL_FILE/CI9B00633_SI_001.PDF.C Chen, Q Zhang, Q Ma, and Yu, “ ightG M-PPI: Predicting protein-protein interactions through LightGBM with multi-information fusion,” Chemom. Intell. Lab. Syst., vol. 191, pp. 54–64, Aug. 2019, doi: 10.1016/J.CHEMOLAB.2019.06.003.X Ma, J Sha, D Wang, Y Yu, Q Yang, and iu, “Study on a prediction of P2P network loan default based on the machine learning LightGBM and XGboost algorithms according to different high dimensional data cleaning,” Electron. Commer. Res. Appl., vol. 31, pp. 24–39, Sep. 2018, doi: 10.1016/J.ELERAP.2018.08.002.J A Troyano, F Cruz, M González, C G Vallejo, and M Toro, “Introducción a la Programación con Python, Computación Interactiva y Aprendizaje Significativo,” Actas las Jenui, vol. 3, pp. 223–230, 2018, Accessed: Aug. 20, 2021. [Online]. Available: https://www.researchgate.net/publication/328928778.OpenCV, “About OpenCV,” 2021 https://opencv org/about/ accessed Aug 19, 2021B. Pang, E.Nijkamp, and Y. N. Wu, “Deep earning With TensorFlow: A review:,” https://doi.org/10.3102/1076998619872761, vol. 45, no. 2, pp. 227–248, Sep. 2019, doi: 10.3102/1076998619872761.N. G. Barrionuevo, “Sistema Embebido de Control de Acceso y registro Automático de Asistencia con Tecnología NFC para la Facultad de Tecnología y Ciencias Aplicadas,” Universidad Nacional de Catamarca, 2020E. M. Araujo Mena, “Implementación de un sistema de video vigilancia para los exteriores de la UPS, mediante mini computadores y cámaras Raspberry PI,” Universidad Politécnica Salesiana, 2015.Raspberry Pi, “Raspberry Pi 4 Model specifications ” https://www.raspberrypi.com/products/raspberry-pi-4-model-b/specifications/ (accessed Jun. 14, 2022).M. C. Albornoz, M. Berón, and G. A. Montejano, “Evaluación de interfaces gráfica de usuario,” 2015, Accessed: Apr 13, 2022 [Online] Available: http://sedici.unlp.edu.ar/handle/10915/45770.P. Luppi and M. Basualdo, “Selección óptima de redundancias para el diseño de control tolerante a fallas activo para plantas químicas,” in V Simposio Argentino de Informática Industrial (SII 2016), 2016, pp. 1–12, Accessed: May 08, 2022. [Online]. Available: http://sedici.unlp.edu.ar/handle/10915/58390.C. V. Niño Rondón, S. A. Castro Casadiego, B. Medina Delgado, and D. Guevara 114 Ibarra, “Análisis de viabilidad y diseño de un sistema electrónico para el seguimiento de la dinámica poblacional en la ciudad de Cúcuta,” Ing. USBMed, vol. 11, no. 1, pp. 56–64, Aug. 2020, doi: 10.21500/20275846.4489.R. Song, Z. Zhang, and H. Liu, “Edge connection based Canny edge detection algorithm,” Pattern Recognit. Image Anal. 2017 274, vol. 27, no. 4, pp. 740–747, Dec. 2017, doi: 10.1134/S1054661817040162.P Singhal, A. Verma, and A. Garg, “A study in finding effectiveness of Gaussian blur filter over bilateral filter in natural scenes for graph based image segmentation,” 4th Int. Conf. Adv. Comput. Commun. Syst. ICACCS 2017, pp. 4–9, Aug. 2017, doi: 10.1109/ICACCS.2017.8014612.E. Zereik, F. Gomez-Bravo, C. P. Bechlioulis, S. Garrido, D. Alvarez, and L. E. Moreno, “Marine Applications of the Fast Marching Method,” Mar. Appl. Fast Marching Method. Front. Robot. AI, vol. 7, no. 2, 2020, doi: 10.3389/frobt.2020.00002.Z. Xu, F. R. Sheykhahmad, N. Ghadimi, and N. Razmjooy, “Computer-aided diagnosis of skin cancer based on soft computing techniques,” Open Med., vol. 15, no. 1, pp. 860–871, Jan. 2020, doi: 10.1515/MED-20200131/MACHINEREADABLECITATION/RIS.H. Fan, F. Xie, Y. Li, Z. Jiang, and J. Liu, “Automatic segmentation of dermoscopy images using saliency combined with Otsu threshold,” Comput. Biol. Med., vol. 85, pp. 75–85, Jun. 2017, doi: 10.1016/J.COMPBIOMED.2017.03.025.J. H. Kim, J. J. Park, S. H. Ahn, D. G. Lee, D Moon, and S. K. Kim, “Small target 115 detection using morphology and modified Gaussian distance function,” Secur. Commun. Networks, vol. 9, no. 6, pp. 555–560, Apr. 2016, doi: 10.1002/SEC.1069.Sakshi and V. Kukreja, “Segmentation and Contour Detection for handwritten mathematical expressions using OpenCV,” Int. Conf. Decis. Aid Sci. Appl., pp. 305310, Mar. 2022, doi: 10.1109/DASA54658.2022.9765142.Y. Yuan, M. Chao, and Y. C. o, “Automatic Skin esion Segmentation sing Deep Fully Convolutional etworks with Jaccard Distance,” IEEE Trans. Med. Imaging, vol. 36, no. 9, pp. 1876–1886, Sep. 2017, doi: 10.1109/TMI.2017.2695227.G. Huang, Z. Liu, Van Der Maaten, and K Q Weinberger, “Densely Connected Convolutional etworks,” 30th IEEE Conf. Comput. Vis. Pattern Recognition, CVPR 2017, pp. 2261–2269, Aug. 2016, doi: 10.1109/CVPR.2017.243.I. Taleb and M. O. Mammar, “Parking access system based on face recognition,” 12th Int. Symp. Program. Syst. ISPS 2015, pp. 176–180, Sep. 2015, doi: 10.1109/ISPS.2015.7244982.K . Padmavathi and K. Thangadurai, “Implementation of G and Grayscale Images in Plant Leaves Disease Detection-Comparative Study,” Indian J. Sci. Technol., vol. 9, no. 6, pp. 1–6, Feb. 2016, doi: 10.17485/ijst/2016/v9i6/77739.S. P. Yadav and S. Yadav, “Image fusion using hybrid methods in multimodality medical images,” Med. Biol. Eng. Comput. 2020 584, vol. 58, no. 4, pp. 669–687, Jan. 2020, doi: 10.1007/S11517-020-02136-6.N. Salem and S. Hussein, “Data dimensional reduction and principal components analysis,” Procedia Comput. Sci., vol. 163, pp. 292–299, Jan. 2019, doi: 10.1016/J.PROCS.2019.12.111.J. Li and R. Zhang, “Dynamic Weighting Multi Factor Stock Selection Strategy Based on XGboost Machine Learning Algorithm,” Proc. 2018 IEEE Int. Conf. Saf. Prod. 116 Informatiz. IICSPI 2018, pp. 868–872, Apr. 2019, doi: 10.1109/IICSPI.2018.8690416.J. Xu, Y Zhang, and D. Miao, “Three-way confusion matrix for classification: A measure driven view,” Inf. Sci. (Ny)., vol. 507, pp. 772–794, Jan. 2020, doi: 10.1016/J.INS.2019.06.064.P. Tschandl, C. Rosendahl, and H. Kittler, “The HAM10000 dataset, a large collection of multi-source dermatoscopic images of common pigmented skin lesions,” Sci. Data 2018 51, vol. 5, no. 1, pp. 1–9, Aug. 2018, doi: 10.1038/sdata.2018.161.J. M. Willman, “Creating Guis with Qt Designer,” Begin. PyQt, pp. 165–203, 2020, doi: 10.1007/978-1-4842-5857-6_7.S. Sastoque, C. Narváez, and G. Garnica, “Metodología para la construcción de Interfaces Gráficas Centradas en el Usuario,” Nuevas Ideas en Informática Educ., vol. 12, pp. 314–324, 2016, Accessed: Apr. 24, 2022. [Online]. Available: http://www.tise.cl/volumen12/TISE2016/314-324.pdf.M. Rastgoo, R. Garcia, O . Morel, and F. Marzani, “Automatic differentiation of melanoma from dysplastic nevi,” Comput. Med. Imaging Graph., vol. 43, pp. 44–52, Jul. 2015, doi: 10.1016/J.COMPMEDIMAG.2015.02.011.K. Kourou, T. P. Exarchos, K. P. Exarchos, M. V. Karamouzis, and D. I. Fotiadis, “Machine learning applications in cancer prognosis and prediction,” Comput. Struct. Biotechnol. J., vol. 13, pp. 8–17, Jan. 2015, doi: 10.1016/J.CSBJ.2014.11.005.N. C. F. Codella et al., “Skin lesion analysis toward melanoma detection: A challenge at the 2017 International symposium on biomedical imaging (ISBI), hosted by the international skin imaging collaboration ISIC ,” Proc. - Int. Symp. Biomed. Imaging, vol. 2018-April, pp. 168–172, May 2018, doi: 10.1109/ISBI.2018.8363547.A. Esteva et al., “Dermatologist-level classification of skin cancer with deep neural networks,” Nature, vol. 542, no. 7639, pp. 115–118, Jan. 2017, doi: 117 10.1038/nature21056.A. Demir, F. Yilmaz, and O Kose, “Early detection of skin cancer using deep learning architectures: Resnet-101 and inception-v3,” 2019 Med. Technol. Congr., pp. 1–4, 2019, doi: 10.1109/TIPTEKNO47231.2019.8972045.E. Nasr-Esfahani et al., “Melanoma detection by analysis of clinical images using convolutional neural network,” Proc. Annu. Int. Conf. IEEE Eng. Med. Biol. Soc. EMBS, pp. 1373–1376, 2016, doi: 10.1109/EMBC.2016.7590963.S. Bonechi et al., “Fusion of Visual and Anamnestic Data for the Classification of Skin esions with Deep earning,” Lect. Notes Comput. Sci. (including Subser. Lect. Notes Artif. Intell. Lect. Notes Bioinformatics), vol. 11808 LNCS, pp. 211–219, 2019, doi: 10.1007/978-3-030-30754-7_21.ORIGINAL1161559.pdf1161559.pdfProyecto de gradoapplication/pdf8444217https://repositorio.ufps.edu.co/bitstream/ufps/6760/1/1161559.pdf6b670d4bbf1966326c0a8a58801b810dMD51open accessLICENSElicense.txtlicense.txttext/plain; charset=utf-814828https://repositorio.ufps.edu.co/bitstream/ufps/6760/2/license.txt2f9959eaf5b71fae44bbf9ec84150c7aMD52open accessTEXT1161559.pdf.txt1161559.pdf.txtExtracted texttext/plain189739https://repositorio.ufps.edu.co/bitstream/ufps/6760/3/1161559.pdf.txt86ac31b4724d5f1714d8b0b210bb986bMD53open accessTHUMBNAIL1161559.pdf.jpg1161559.pdf.jpgGenerated Thumbnailimage/jpeg13263https://repositorio.ufps.edu.co/bitstream/ufps/6760/4/1161559.pdf.jpg512fcc8864b0472e5478765a5900a6efMD54open accessufps/6760oai:repositorio.ufps.edu.co:ufps/67602024-03-23 03:00:20.875open accessRepositorio Universidad Francisco de Paula Santanderbdigital@metabiblioteca.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0000-0002-4530-11369cb407cc5abce9cc6cfbb546ec28dfe2600 |