Detección de melanomas de piel malignos mediante procesamiento digital de imágenes usando redes neuronales convolucionales
Este proyecto se propone diseñar una red neuronal para el reconocimiento de melanomas (un tipo de cáncer de piel), mediante el uso de una técnica conocida como redes neuronales convolucionales, mayormente utilizada en visión artificial (una rama de la inteligencia artificial), aplicada en el reconoc...
- Autores:
-
Riaño Borda, Sebastian
- Tipo de recurso:
- Masters Thesis
- Fecha de publicación:
- 2022
- Institución:
- Universidad Santo Tomás
- Repositorio:
- Repositorio Institucional USTA
- Idioma:
- spa
- OAI Identifier:
- oai:repository.usta.edu.co:11634/45517
- Acceso en línea:
- http://hdl.handle.net/11634/45517
- Palabra clave:
- Convolution
Convolutional Neural Networks
Dermoscopy
Melanoma Detection
Medicina
Procesamiento de imagenes
Ingeniería eléctrica
Convolución
Redes Neuronales Convolucionales
Dermoscopia
Detección de Melanomas
- Rights
- openAccess
- License
- Atribución 2.5 Colombia
| id |
SANTTOMAS2_5d438704df9203330d629b949c05812d |
|---|---|
| oai_identifier_str |
oai:repository.usta.edu.co:11634/45517 |
| network_acronym_str |
SANTTOMAS2 |
| network_name_str |
Repositorio Institucional USTA |
| repository_id_str |
|
| dc.title.spa.fl_str_mv |
Detección de melanomas de piel malignos mediante procesamiento digital de imágenes usando redes neuronales convolucionales |
| title |
Detección de melanomas de piel malignos mediante procesamiento digital de imágenes usando redes neuronales convolucionales |
| spellingShingle |
Detección de melanomas de piel malignos mediante procesamiento digital de imágenes usando redes neuronales convolucionales Convolution Convolutional Neural Networks Dermoscopy Melanoma Detection Medicina Procesamiento de imagenes Ingeniería eléctrica Convolución Redes Neuronales Convolucionales Dermoscopia Detección de Melanomas |
| title_short |
Detección de melanomas de piel malignos mediante procesamiento digital de imágenes usando redes neuronales convolucionales |
| title_full |
Detección de melanomas de piel malignos mediante procesamiento digital de imágenes usando redes neuronales convolucionales |
| title_fullStr |
Detección de melanomas de piel malignos mediante procesamiento digital de imágenes usando redes neuronales convolucionales |
| title_full_unstemmed |
Detección de melanomas de piel malignos mediante procesamiento digital de imágenes usando redes neuronales convolucionales |
| title_sort |
Detección de melanomas de piel malignos mediante procesamiento digital de imágenes usando redes neuronales convolucionales |
| dc.creator.fl_str_mv |
Riaño Borda, Sebastian |
| dc.contributor.advisor.none.fl_str_mv |
Mateus, Armando Camacho, Edgar Camilo Guillermo Guarnizo, José |
| dc.contributor.author.none.fl_str_mv |
Riaño Borda, Sebastian |
| dc.contributor.orcid.spa.fl_str_mv |
https://orcid.org/ 0000-0003-4938-2233 https://orcid.org/ 0000-0002-8401-4949 https://orcid.org/ 0000-0002-6084-2512 https://orcid.org/ 0000-0002-2399-4859 |
| dc.contributor.corporatename.spa.fl_str_mv |
Universidad Santo Tomás |
| dc.subject.keyword.spa.fl_str_mv |
Convolution Convolutional Neural Networks Dermoscopy Melanoma Detection |
| topic |
Convolution Convolutional Neural Networks Dermoscopy Melanoma Detection Medicina Procesamiento de imagenes Ingeniería eléctrica Convolución Redes Neuronales Convolucionales Dermoscopia Detección de Melanomas |
| dc.subject.lemb.spa.fl_str_mv |
Medicina Procesamiento de imagenes Ingeniería eléctrica |
| dc.subject.proposal.spa.fl_str_mv |
Convolución Redes Neuronales Convolucionales Dermoscopia Detección de Melanomas |
| description |
Este proyecto se propone diseñar una red neuronal para el reconocimiento de melanomas (un tipo de cáncer de piel), mediante el uso de una técnica conocida como redes neuronales convolucionales, mayormente utilizada en visión artificial (una rama de la inteligencia artificial), aplicada en el reconocimiento de patrones sobre lunares en la piel y determinar la existencia de un melanoma maligno, o no, a partir de un dataset limitado. Para esto, la red convolucional diseñada y entrenada para clasificar los melanomas está formada por unas capas de convolución y pooling apiladas entre sí para formar la red propuesta, una “fully connected layer” y un clasificador con 1 o 2 salidas, y es parametrizada con diferentes valores en características como el dropout, el tamaño de los filtros, entre otros, realizando los entrenamientos en 5 diferentes etapas o experimentos. El dataset propuesto para el entrenamiento de la CNN (Convolutional Neural Networks) es la colección pública más grande de imágenes demoscópicas de lesiones en la piel, proveída de manera gratuita por “International Skin Imaging Collaboration (ISIC)”, un esfuerzo por mejorar el diagnóstico de melanomas, patrocinado por la “International Society for Digital Imaging of the Skin (ISDIS)”. El propósito de este proyecto es diseñar una red neuronal convolucional con alto nivel de precisión que ayude a los profesionales en medicina con el diagnóstico de melanomas, en este caso fue posible conseguir una precisión de hasta 87.82% con la red diseñada con mejor rendimiento. |
| publishDate |
2022 |
| dc.date.accessioned.none.fl_str_mv |
2022-06-30T20:36:38Z |
| dc.date.available.none.fl_str_mv |
2022-06-30T20:36:38Z |
| dc.date.issued.none.fl_str_mv |
2022-06-30 |
| dc.type.local.spa.fl_str_mv |
Tesis de maestría |
| dc.type.version.none.fl_str_mv |
info:eu-repo/semantics/acceptedVersion |
| dc.type.coar.none.fl_str_mv |
http://purl.org/coar/resource_type/c_bdcc |
| dc.type.drive.none.fl_str_mv |
info:eu-repo/semantics/masterThesis |
| format |
http://purl.org/coar/resource_type/c_bdcc |
| status_str |
acceptedVersion |
| dc.identifier.citation.spa.fl_str_mv |
Riaño Borda, S. (2022). Detección de melanomas de piel malignos mediante procesamiento digital de imágenes usando redes neuronales convolucionales. [Trabajo de Grado, Universidad Santo Tomás]. Repositorio institucional. |
| dc.identifier.uri.none.fl_str_mv |
http://hdl.handle.net/11634/45517 |
| dc.identifier.reponame.spa.fl_str_mv |
reponame:Repositorio Institucional Universidad Santo Tomás |
| dc.identifier.instname.spa.fl_str_mv |
instname:Universidad Santo Tomás |
| dc.identifier.repourl.spa.fl_str_mv |
repourl:https://repository.usta.edu.co |
| identifier_str_mv |
Riaño Borda, S. (2022). Detección de melanomas de piel malignos mediante procesamiento digital de imágenes usando redes neuronales convolucionales. [Trabajo de Grado, Universidad Santo Tomás]. Repositorio institucional. reponame:Repositorio Institucional Universidad Santo Tomás instname:Universidad Santo Tomás repourl:https://repository.usta.edu.co |
| url |
http://hdl.handle.net/11634/45517 |
| dc.language.iso.spa.fl_str_mv |
spa |
| language |
spa |
| dc.relation.references.spa.fl_str_mv |
F. L. Marqués, «Clinic cloud,» [En línea]. Available: https://clinic cloud.com/blog/aplicaciones-de-la-tecnologia-en-la-salud/. [Último acceso: 15 04 2022]. C. TI, «Canales TI,» 10 06 2020. [En línea]. Available: https://itcomunicacion.com.mx/el uso-de-la-tecnologia-en-la-medicina/. [Último acceso: 15 04 2022]. S. Lee, H. Huang y M. Zelen, «Early detection of disease and scheduling of screening examinations,» Statistical Methods in Medical Research, vol. 13, nº 6, pp. 443-456, 2004. O. T. Jones, C. K. Ranmuthu, P. N. Hall, G. Funston y F. M. Walter, «Recognising Skin Cancer in Primary Care,» Advances in Therapy, vol. 37, nº 1, p. 603–616, 2020. C. Garbe, K. Peris, A. Hauschild, P. Saiag, M. Middleton, L. Bastholt, J.-J. Grob, J. Malvehy, J. Newton-Bishop, A. J. Stratigos, H. Pehamberger y A. M. Eggermont, «Diagnosis and treatment of melanoma. European consensus-based interdisciplinary guideline – Update 2016,» European Journal of Cancer, vol. 63, pp. 201-217, 2016. I. P. Santos, R. van Doorn y P. Caspers, «Improving clinical diagnosis of early-stage cutaneous melanoma based on Raman spectroscopy,» British Journal of Cancer, vol. 119, p. 1339–1346, 2018. The International Skin Imaging Collaboration, «ISIC,» [En línea]. Available: https://www.isic-archive.com/#!/topWithHeader/onlyHeaderTop/gallery. [Último acceso: January 2020]. Biblioteca Nacional de Medicina de EE. UU. , «Lunar | Nevos | MedlinePlus en español,» [En línea]. Available: https://medlineplus.gov/spanish/moles.html. [Último acceso: 08 09 2021]. American Cancer Society, «Estadísticas importantes sobre el cáncer de piel tipo melanoma,» [En línea]. Available: https://www.cancer.org/es/cancer/cancer-de-piel-tipo melanoma/acerca/estadisticas-clave.html. [Último acceso: 09 09 2021]. Biblioteca Nacional de Medicina de EE. UU. , «Melanoma: MedlinePlus en español,» [En línea]. Available: https://medlineplus.gov/spanish/melanoma.html. [Último acceso: 08 09 2021]. American Cancer Society, «Etapas del cáncer de piel tipo melanoma,» [En línea]. Available: https://www.cancer.org/es/cancer/cancer-de-piel-tipo-melanoma/deteccion diagnostico-clasificacion-por-etapas/clasificacion-por-etapas-el-cancer-de-piel-tipo melanoma.html. [Último acceso: 09 09 2021]. J. A. Avilés‐Izquierdo, C. Ciudad‐Blanco, A. Sánchez‐Herrero, A. Mateos‐Mayo, L. M. Nieto‐Benito y E. Rodríguez‐Lomba, «Dermoscopy of cutaneous melanoma metastases: A color-based pattern classification,» Journal of Dermatology, vol. 46, nº 7, pp. 564-569, 2019. V. Teigens, Inteligencia Artificial General, Cambridge Stanford Books, 2000. V. Advany, «What is Artificial Intelligence? How does AI work, Types and Future of it?,» 19 Octubre 2021. [En línea]. Available: https://www.mygreatlearning.com/blog/what-is artificial-intelligence/#comments. [Último acceso: 25 Noviembre 2021]. S. Khan, H. Rahmani, S. A. A. Shah y M. Bennamoun, A Guide to Convolutional Neural Networks for Computer Vision, Morgan & Claypool, 2018. A. Hintze, «goverment technology,» 14 11 2016. [En línea]. Available: https://www.govtech.com/computing/understanding-the-four-types-of-artificial intelligence.html#:~:text=2.-,Limited%20memory,and%20monitoring%20them%20over% 20time.. [Último acceso: 10 04 2022]. Google, «Google Trends,» [En línea]. Available: https://trends.google.es/trends/explore?date=all&q=Convolutional%20neural%20network, deep%20learning,machine%20learning. [Último acceso: Agosto 2021]. R. Wason, «Deep learning: Evolution and expansion,» Cognitive Systems Research, vol. 52, pp. 701-708, 2018. W. Liu, Z. Wang, X. Liu, N. Zeng, Y. Liu y F. Alsaadi, «A survey of deep neural network architectures and their applications,» Neurocomputing, vol. 234, pp. 11-26, 2017. Y. Guo, Y. Liu, A. Oerlemans, S. Lao, S. Wu y M. S. Lew, «Deep learning for visual understanding: A review,» Neurocomputing, vol. 187, pp. 27-48, 2016. R. Zhao, R. Yan, Z. Chen, K. Mao, P. Wang y R. X. Gao, «Deep learning and its applications to machine health monitoring,» Mechanical Systems and Signal Processing, vol. 115, pp. 213-237, 2019. F. Ercal, A. Chawla, W. Stoecker, H.-C. Lee y R. Moss, «Neural Network Diagnosis of Malignant Melanoma From Color Images,» IEEE Transactions on Biomedical Engineering, vol. 41, nº 9, pp. 837-845, 1994. P. Vannoorenberghe, O. Colot y D. De Brucq, «Dempster-Shafer's theory as an aid to color information processing. Application to melanoma detection in dermatology,» de Proceedings 10th International Conference on Image Analysis and Processing, Venice, Italy, 1999. L. Yu, H. Chen, Q. Dou, J. Qin y P.-A. Heng, «Automated Melanoma Recognition in Dermoscopy Images via Very Deep Residual Networks,» IEEE TRANSACTIONS ON MEDICAL IMAGING, vol. 36, nº 4, pp. 994-1004, 2017. Y. Yuan, M. Chao y Y.-C. Lo, «Automatic Skin Lesion Segmentation Using Deep Fully Convolutional Networks with Jaccard Distance,» IEEE TRANSACTIONS ON MEDICAL IMAGING, vol. 36, pp. 1876-1886, 2017. N. Codella, Q.-B. Nguyen, S. Pankanti, D. Gutman, B. Helba, A. Halpern y J. R. Smith, «Deep learning ensembles for melanoma recognition in dermoscopy images,» IBM Journal of Research and Development, vol. 21, pp. 5:1-5:15, 2017. I. González-Díaz, «DermaKNet: Incorporating the knowledge of dermatologists to Convolutional Neural Networks for skin lesion diagnosis,» IEEE Journal of Biomedical and Health Informatics, vol. 23, nº 2, pp. 547-559, 2018. E. Nasr-Esfahani, S. Samavi, N. Karimi y S. Soroushmehr, «Melanoma Detection by Analysis of Clinical Images Using Convolutional Neural Network,» de 38th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC), Orlando, 2016. M. u. Rehman, S. H. Khan, S. M. D. Rizvi, Z. Abbas y A. Zafar, «Classification of Skin Lesion by Interference of Segmentation and Convolotion Neural Network,» de 2018 2nd International Conference on Engineering Innovation (ICEI), Bangkok, 2018. Z. Yu, D. Ni, S. Chen, J. Qin, S. Li, T. Wang y B. Lei, «Hybrid dermoscopy image classification framework based on deep convolutional neural network and Fisher vector,» de 2017 IEEE 14th International Symposium on Biomedical Imaging (ISBI 2017), Melbourne, 2017. S. Sigurdsson, P. A. Philipsen, L. K. Hansen, J. Larsen, M. Gniadecka y H. C. Wulf, «Detection of skin cancer by classification of Raman spectra,» IEEE TRANSACTIONS ON BIOMEDICAL ENGINEERING, vol. 51, nº 10, pp. 1784 - 1793, 2004. I. Pirnog, R. O. Preda, C. Oprea y C. Paleologu, «Automatic lesion segmentation for melanoma diagnostics in macroscopic images,» de 23rd European Signal Processing Conference (EUSIPCO), Nice, 2015. R. Kasmi y K. Mokrani, «Classification of malignant melanoma and benign skin lesions: implementation of automatic ABCD rule,» IET Image Processing, vol. 10, nº 6, pp. 448- 455, 2016. J. R. Varatharaj, N. J, P. R y A. K. L, «Detection of melanoma skin cancer using digital camera images,» ARPN Journal of Engineering and Applied Sciences, vol. 10, pp. 3082- 3085, 2015. K. Shimizu, H. Iyatomi, . M. E. Celebi, K.-A. Norton y M. Tanaka, «Four-Class Classification of Skin Lesions With Task Decomposition Strategy,» IEEE TRANSACTIONS ON BIOMEDICAL ENGINEERING, vol. 62, nº 1, pp. 274 - 283, 2014. M. Sadeghi, T. K. Lee, D. McLean, H. Lui y M. S. Atkins, «Detection and Analysis of Irregular Streaks in Dermoscopic Images of Skin Lesions,» Detection and Analysis of Irregular Streaks in Dermoscopic Images of Skin Lesions, vol. 32, nº 5, pp. 849 - 861, 2013. Y. Gu, Z. Ge, C. P. Bonnington y J. Zhou, «Progressive Transfer Learning and Adversarial Domain Adaptation for Cross-Domain Skin Disease Classification,» IEEE JOURNAL OF BIOMEDICAL AND HEALTH INFOMATICS, vol. 24, nº 5, pp. 1379 - 1393, 2020. Q. Zhou, Y. Shi, Z. Xu, R. Qu y G. Xu, «Classifying Melanoma Skin Lesions Using Convolutional Spiking Neural Networks With Unsupervised STDP Learning Rule,» IEEE Access, vol. 8, pp. 101309 - 101319, 2020. L. Wei, K. Ding y H. Hu, «Automatic Skin Cancer Detection in Dermoscopy Images based on Ensemble Lightweight Deep Learning Network,» IEEE Access, vol. 8, pp. 99633 - 99647, 2020. Q. Zhou, C. Ren y S. Qi, «An Imbalanced R-STDP Learning Rule in Spiking Neural Networks for Medical Image Classification,» IEEE Access , vol. 8, pp. 224162 - 224177, 2020. A. A. Adegun y S. Viriri, «Deep Learning-Based System for Automatic Melanoma Detection,» IEEE Access, vol. 8, pp. 7160 - 7172, 2019. S. Albahli, N. Nida, A. Irtaza, M. H. Yousaf y M. T. Mahmood, «Melanoma Lesion Detection and Segmentation Using YOLOv4-DarkNet and Active Contour,» IEEE Access, vol. 8, pp. 198403 - 198414, 2020. Q. Wang, L. Sun, Y. Wang, M. Zhou, M. Hu, J. Chen, Y. Wen y Q. Li, «Identification of Melanoma From Hyperspectral Pathology Image Using 3D Convolutional Networks,» IEEE Transactions on Medical Imaging , vol. 40, nº 1, pp. 218 - 227, 2021. K. Thurnhofer-Hemsi, E. López-Rubio, E. Domínguez y D. A. Elizondo , «Skin Lesion Classification by Ensembles of Deep Convolutional Networks and Regularly Spaced Shifting,» IEEE Access, vol. 9, pp. 112193 - 112205, 2021. M. Goyal, A. Oakley, P. Bansal, D. Dancey y M. H. Yap, «Skin Lesion Segmentation in Dermoscopic Images With Ensemble Deep Learning Methods,» IEEE Access, vol. 8, pp. 4171-4181, 2020. L. Ichim y D. Popescu, «Melanoma Detection Using an Objective System Based on Multiple Connected Neural Networks,» IEEE Access, vol. 8, pp. 179189-179202, 2020. L. Talavera-Martínez, P. Bibiloni y M. González-Hidalgo, «Hair Segmentation and Removal in Dermoscopic Images Using Deep Learning,» IEEE Access, vol. 9, pp. 2694- 2704, 2021. A. Gong, X. Yao y W. Lin, «Dermoscopy Image Classification Based on StyleGANs and Decision Fusion,» IEEE Access, vol. 8, pp. 70640-70650, 2020. T.-C. Pham, A. Doucet, C.-M. Luong, C.-T. Tran y V.-D. Hoang, «Improving Skin-Disease Classification Based on Customized Loss Function Combined With Balanced Mini-Batch Logic and Real-Time Image Augmentation,» IEEE Access, vol. 8, pp. 150725-150737, 2020. B. Zhang, Z. Wang, J. Gao, C. Rutjes, K. Nufer, D. Tao, D. D. Feng y S. W. Menzies, «Short-Term Lesion Change Detection for Melanoma Screening With Novel Siamese Neural Network,» IEEE Transactions on Medical Imaging, vol. 40, nº 3, pp. 840-851, 2021. H. Arab, L. Chioukh, M. Dashti Ardakani, S. Dufour y S. O. Tatu, «Early-Stage Detection of Melanoma Skin Cancer Using Contactless Millimeter-Wave Sensors,» IEEE Sensors Journal, vol. 20, nº 13, pp. 7310-7317, 2020. L. Song, J. Lin, Z. J. Wang y H. Wang, «An End-to-End Multi-Task Deep Learning Framework for Skin Lesion Analysis,» IEEE Journal of Biomedical and Health Informatics, vol. 24, nº 10, pp. 2912-2921, 2020. R. Rastghalam, H. Danyali, M. S. Helfroush, M. E. Celebi y M. Mokhtari, «Skin Melanoma Detection in Microscopic Images Using HMM-Based Asymmetric Analysis and Expectation Maximization,» IEEE Journal of Biomedical and Health Informatics, vol. 25, nº 9, pp. 3486-3497, 2021. M. A. Khan, K. Muhammad, M. Sharif, T. Akram y V. H. C. d. Albuquerque, «Multi-Class Skin Lesion Detection and Classification via Teledermatology,» IEEE Journal of Biomedical and Health Informatics, vol. 25, nº 12, pp. 4267-4275, 2021. novaderma, «novaderma CLINICA DERMATOLOGICA,» [En línea]. Available: https://www.clinicanovaderma.com/la-dermatoscopia-digital/. [Último acceso: 08 2021]. E. Galán y D. Puerto, Manual para la detección temprana del cancer de piel y recomendaciones para la disminución de exposición a radiación ultravioleta, Bogotá: Instituto Nacional de Cancerología ESE, 2015. A. Karpathy , F.-F. Li, J. Johnson y S. Yeung, «CS231n: Convolutional Neural Networks for Visual Recognition.,» Stanford CS class, 2016-2019. [En línea]. Available: http://cs231n.github.io/. [Último acceso: January 2020]. T. Guo, J. Dong, H. Li y Y. Gao, «Simple convolutional neural network on image classification,» de IEEE 2nd International Conference on Big Data Analysis (ICBDA)(, Beijing, 2017. S. ALBAWI, T. A. MOHAMMED y S. AL-ZAWI, «Understanding of a convolutional neural network,» de International Conference on Engineering and Technology (ICET), Antalya, 2017. R. Sarkar, C. C. Chatterjee y A. Hazra, «Diagnosis of melanoma from dermoscopic images using a deep depthwise separable residual convolutional network,» IET Image Processing, vol. 13, 2019. M. A. Khan, M. Sharif, M. Raza, A. Anjum, T. Saba y S. A. Shad, «Skin lesion segmentation and classification: A unified framework of deep neural network features fusion and selection,» Expert Systems, 2019. Z. Yu, X. Jiang, F. Zhou, J. Qin, D. Ni, S. Chen, B. Lei y T. Wang, «Melanoma Recognition in Dermoscopy Images via Aggregated Deep Convolutional Features,» IEEE Transactions on Biomedical Engineering, vol. 66, nº 4, pp. 1006-1016, 2019. K. Jayapriya y I. J. Jacob, «Hybrid fully convolutional networks-based skin lesion segmentation and melanoma detection using deep feature,» International Journal of Imaging Systems and Technology, 2019. A. Namozov y Y. I. Cho, «Convolutional Neural Network Algorithm with Parameterized Activation Function for Melanoma Classification,» de 2018 International Conference on Information and Communication Technology Convergence (ICTC), Jeju, Korea (South), 2018. J. Yang, F. Xie, H. Fan, Z. Jiang y J. Liu, «Classification for Dermoscopy Images Using Convolutional Neural Networks Based on Region Average Pooling,» IEEE Access, vol. 6, pp. 65130-65138, 2018. Y. Li y L. Shen, «Skin Lesion Analysis towards Melanoma Detection Using Deep Learning Network,» Sensors, vol. 18, nº 2, p. 556, 2018. P. Tang, Q. Liang, X. Yan, S. Xiang y D. Zhang, «GP-CNN-DTEL: Global-Part CNN Model With Data-Transformed Ensemble Learning for Skin Lesion Classification,» IEEE Journal of Biomedical and Health Informatics, vol. 24, nº 10, pp. 2870 - 2882, 2020. R. Ashraf, S. Afzal, A. U. Rehman, S. Gul, J. Baber, M. Bakhtyar, I. Mehmood, O.-Y. Song y M. Maqsood, «Region-of-Interest Based Transfer Learning Assisted Framework for Skin Cancer Detection,» IEEE Access, vol. 8, pp. 147858 - 147871, 2020. H. Wu, J. Pan, Z. Li, Z. Wen y J. Qin, «Automated Skin Lesion Segmentation Via an Adaptive Dual Attention Module,» IEEE Transactions on Medical Imaging, vol. 40, nº 1, pp. 357-370, 2021. Y. Jiang, S. Cao, S. Tao y H. Zhang, «Skin Lesion Segmentation Based on Multi-Scale Attention Convolutional Neural Network,» IEEE Access, vol. 8, pp. 122811-122825, 2020. A. Gong, X. Yao y W. Lin, «Classification for Dermoscopy Images Using Convolutional Neural Networks Based on the Ensemble of Individual Advantage and Group Decision,» IEEE Access, vol. 8, p. 2020, 2020. J. Zhang, Y. Xie, Y. Xia y C. Shen, «Attention Residual Learning for Skin Lesion Classification,» IEEE Transactions on Medical Imaging, vol. 38, nº 9, pp. 2092-2103, 2019. |
| dc.rights.*.fl_str_mv |
Atribución 2.5 Colombia Atribución 2.5 Colombia Atribución 2.5 Colombia |
| dc.rights.uri.*.fl_str_mv |
http://creativecommons.org/licenses/by/2.5/co/ |
| dc.rights.local.spa.fl_str_mv |
Abierto (Texto Completo) |
| dc.rights.accessrights.none.fl_str_mv |
info:eu-repo/semantics/openAccess |
| dc.rights.coar.none.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
| rights_invalid_str_mv |
Atribución 2.5 Colombia http://creativecommons.org/licenses/by/2.5/co/ Abierto (Texto Completo) http://purl.org/coar/access_right/c_abf2 |
| eu_rights_str_mv |
openAccess |
| dc.format.mimetype.spa.fl_str_mv |
application/pdf |
| dc.coverage.campus.spa.fl_str_mv |
CRAI-USTA Bogotá |
| dc.publisher.spa.fl_str_mv |
Universidad Santo Tomás |
| dc.publisher.program.spa.fl_str_mv |
Maestría Ingeniería Electrónica |
| dc.publisher.faculty.spa.fl_str_mv |
Facultad de Ingeniería Electrónica |
| institution |
Universidad Santo Tomás |
| bitstream.url.fl_str_mv |
https://repository.usta.edu.co/bitstream/11634/45517/4/license_rdf https://repository.usta.edu.co/bitstream/11634/45517/5/license.txt https://repository.usta.edu.co/bitstream/11634/45517/1/2022sebastianria%c3%b1o.pdf https://repository.usta.edu.co/bitstream/11634/45517/2/carta%20de%20derechos.pdf https://repository.usta.edu.co/bitstream/11634/45517/3/carta%20de%20facultad.pdf https://repository.usta.edu.co/bitstream/11634/45517/6/2022sebastianria%c3%b1o.pdf.jpg https://repository.usta.edu.co/bitstream/11634/45517/7/carta%20de%20derechos.pdf.jpg https://repository.usta.edu.co/bitstream/11634/45517/8/carta%20de%20facultad.pdf.jpg |
| bitstream.checksum.fl_str_mv |
1608e658af296c3febc577e957e919bf aedeaf396fcd827b537c73d23464fc27 dcfe84b112e529a9bcff7c6fd02251c7 9ff57ac06f0af90e855db6551d4e3285 aa13ad2f3ba52e5157355e70e0478fe3 fadf2b8293dd37ea77d94894c51abf79 ae5a9c2e574994e06f0bbe0beec48fde 1a3f7ae3ce606757b5356d8e52ad5f16 |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 MD5 MD5 MD5 |
| repository.name.fl_str_mv |
Repositorio Universidad Santo Tomás |
| repository.mail.fl_str_mv |
repositorio@usantotomas.edu.co |
| _version_ |
1782026331514470400 |
| spelling |
Mateus, ArmandoCamacho, Edgar CamiloGuillermo Guarnizo, JoséRiaño Borda, Sebastianhttps://orcid.org/ 0000-0003-4938-2233https://orcid.org/ 0000-0002-8401-4949https://orcid.org/ 0000-0002-6084-2512https://orcid.org/ 0000-0002-2399-4859Universidad Santo Tomás2022-06-30T20:36:38Z2022-06-30T20:36:38Z2022-06-30Riaño Borda, S. (2022). Detección de melanomas de piel malignos mediante procesamiento digital de imágenes usando redes neuronales convolucionales. [Trabajo de Grado, Universidad Santo Tomás]. Repositorio institucional.http://hdl.handle.net/11634/45517reponame:Repositorio Institucional Universidad Santo Tomásinstname:Universidad Santo Tomásrepourl:https://repository.usta.edu.coEste proyecto se propone diseñar una red neuronal para el reconocimiento de melanomas (un tipo de cáncer de piel), mediante el uso de una técnica conocida como redes neuronales convolucionales, mayormente utilizada en visión artificial (una rama de la inteligencia artificial), aplicada en el reconocimiento de patrones sobre lunares en la piel y determinar la existencia de un melanoma maligno, o no, a partir de un dataset limitado. Para esto, la red convolucional diseñada y entrenada para clasificar los melanomas está formada por unas capas de convolución y pooling apiladas entre sí para formar la red propuesta, una “fully connected layer” y un clasificador con 1 o 2 salidas, y es parametrizada con diferentes valores en características como el dropout, el tamaño de los filtros, entre otros, realizando los entrenamientos en 5 diferentes etapas o experimentos. El dataset propuesto para el entrenamiento de la CNN (Convolutional Neural Networks) es la colección pública más grande de imágenes demoscópicas de lesiones en la piel, proveída de manera gratuita por “International Skin Imaging Collaboration (ISIC)”, un esfuerzo por mejorar el diagnóstico de melanomas, patrocinado por la “International Society for Digital Imaging of the Skin (ISDIS)”. El propósito de este proyecto es diseñar una red neuronal convolucional con alto nivel de precisión que ayude a los profesionales en medicina con el diagnóstico de melanomas, en este caso fue posible conseguir una precisión de hasta 87.82% con la red diseñada con mejor rendimiento.This project aims to design a neural network for the recognition of melanomas (a type of skin cancer), through the use of a technique known as convolutional neural networks, mostly used in artificial vision (a branch of artificial intelligence), applied in the recognition of patterns on moles on the skin and determine the existence of a malignant melanoma, or not, from a limited dataset. For this, the convolutional network designed and trained to classify melanomas is made up of convolution and pooling layers stacked together to form the proposed network, a "fully connected layer" and a classifier with 1 or 2 outputs, and is parameterized with different values in characteristics such as the dropout, the size of the filters, among others, performing the training in 5 different stages or experiments. The dataset proposed for the training of CNN (Convolutional Neural Networks) is the largest public collection of demoscopic images of skin lesions, provided free of charge by the "International Skin Imaging Collaboration (ISIC)", an effort to improve the diagnosis of melanomas, sponsored by the “International Society for Digital Imaging of the Skin (ISDIS)”. The purpose of this project is to design a convolutional neural network with a high level of precision that helps medical professionals with the diagnosis of melanomas, in this case it was possible to achieve an accuracy of up to 87.82% with the network designed with the best performance.Magister en Ingeniería ElectrónicaMaestríaapplication/pdfspaUniversidad Santo TomásMaestría Ingeniería ElectrónicaFacultad de Ingeniería ElectrónicaAtribución 2.5 ColombiaAtribución 2.5 ColombiaAtribución 2.5 Colombiahttp://creativecommons.org/licenses/by/2.5/co/Abierto (Texto Completo)info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Detección de melanomas de piel malignos mediante procesamiento digital de imágenes usando redes neuronales convolucionalesConvolutionConvolutional Neural NetworksDermoscopyMelanoma DetectionMedicinaProcesamiento de imagenesIngeniería eléctricaConvoluciónRedes Neuronales ConvolucionalesDermoscopiaDetección de MelanomasTesis de maestríainfo:eu-repo/semantics/acceptedVersionhttp://purl.org/coar/resource_type/c_bdccinfo:eu-repo/semantics/masterThesisCRAI-USTA BogotáF. L. Marqués, «Clinic cloud,» [En línea]. Available: https://clinic cloud.com/blog/aplicaciones-de-la-tecnologia-en-la-salud/. [Último acceso: 15 04 2022].C. TI, «Canales TI,» 10 06 2020. [En línea]. Available: https://itcomunicacion.com.mx/el uso-de-la-tecnologia-en-la-medicina/. [Último acceso: 15 04 2022].S. Lee, H. Huang y M. Zelen, «Early detection of disease and scheduling of screening examinations,» Statistical Methods in Medical Research, vol. 13, nº 6, pp. 443-456, 2004.O. T. Jones, C. K. Ranmuthu, P. N. Hall, G. Funston y F. M. Walter, «Recognising Skin Cancer in Primary Care,» Advances in Therapy, vol. 37, nº 1, p. 603–616, 2020.C. Garbe, K. Peris, A. Hauschild, P. Saiag, M. Middleton, L. Bastholt, J.-J. Grob, J. Malvehy, J. Newton-Bishop, A. J. Stratigos, H. Pehamberger y A. M. Eggermont, «Diagnosis and treatment of melanoma. European consensus-based interdisciplinary guideline – Update 2016,» European Journal of Cancer, vol. 63, pp. 201-217, 2016.I. P. Santos, R. van Doorn y P. Caspers, «Improving clinical diagnosis of early-stage cutaneous melanoma based on Raman spectroscopy,» British Journal of Cancer, vol. 119, p. 1339–1346, 2018.The International Skin Imaging Collaboration, «ISIC,» [En línea]. Available: https://www.isic-archive.com/#!/topWithHeader/onlyHeaderTop/gallery. [Último acceso: January 2020].Biblioteca Nacional de Medicina de EE. UU. , «Lunar | Nevos | MedlinePlus en español,» [En línea]. Available: https://medlineplus.gov/spanish/moles.html. [Último acceso: 08 09 2021].American Cancer Society, «Estadísticas importantes sobre el cáncer de piel tipo melanoma,» [En línea]. Available: https://www.cancer.org/es/cancer/cancer-de-piel-tipo melanoma/acerca/estadisticas-clave.html. [Último acceso: 09 09 2021].Biblioteca Nacional de Medicina de EE. UU. , «Melanoma: MedlinePlus en español,» [En línea]. Available: https://medlineplus.gov/spanish/melanoma.html. [Último acceso: 08 09 2021].American Cancer Society, «Etapas del cáncer de piel tipo melanoma,» [En línea]. Available: https://www.cancer.org/es/cancer/cancer-de-piel-tipo-melanoma/deteccion diagnostico-clasificacion-por-etapas/clasificacion-por-etapas-el-cancer-de-piel-tipo melanoma.html. [Último acceso: 09 09 2021].J. A. Avilés‐Izquierdo, C. Ciudad‐Blanco, A. Sánchez‐Herrero, A. Mateos‐Mayo, L. M. Nieto‐Benito y E. Rodríguez‐Lomba, «Dermoscopy of cutaneous melanoma metastases: A color-based pattern classification,» Journal of Dermatology, vol. 46, nº 7, pp. 564-569, 2019.V. Teigens, Inteligencia Artificial General, Cambridge Stanford Books, 2000.V. Advany, «What is Artificial Intelligence? How does AI work, Types and Future of it?,» 19 Octubre 2021. [En línea]. Available: https://www.mygreatlearning.com/blog/what-is artificial-intelligence/#comments. [Último acceso: 25 Noviembre 2021].S. Khan, H. Rahmani, S. A. A. Shah y M. Bennamoun, A Guide to Convolutional Neural Networks for Computer Vision, Morgan & Claypool, 2018.A. Hintze, «goverment technology,» 14 11 2016. [En línea]. Available: https://www.govtech.com/computing/understanding-the-four-types-of-artificial intelligence.html#:~:text=2.-,Limited%20memory,and%20monitoring%20them%20over% 20time.. [Último acceso: 10 04 2022].Google, «Google Trends,» [En línea]. Available: https://trends.google.es/trends/explore?date=all&q=Convolutional%20neural%20network, deep%20learning,machine%20learning. [Último acceso: Agosto 2021].R. Wason, «Deep learning: Evolution and expansion,» Cognitive Systems Research, vol. 52, pp. 701-708, 2018.W. Liu, Z. Wang, X. Liu, N. Zeng, Y. Liu y F. Alsaadi, «A survey of deep neural network architectures and their applications,» Neurocomputing, vol. 234, pp. 11-26, 2017.Y. Guo, Y. Liu, A. Oerlemans, S. Lao, S. Wu y M. S. Lew, «Deep learning for visual understanding: A review,» Neurocomputing, vol. 187, pp. 27-48, 2016.R. Zhao, R. Yan, Z. Chen, K. Mao, P. Wang y R. X. Gao, «Deep learning and its applications to machine health monitoring,» Mechanical Systems and Signal Processing, vol. 115, pp. 213-237, 2019.F. Ercal, A. Chawla, W. Stoecker, H.-C. Lee y R. Moss, «Neural Network Diagnosis of Malignant Melanoma From Color Images,» IEEE Transactions on Biomedical Engineering, vol. 41, nº 9, pp. 837-845, 1994.P. Vannoorenberghe, O. Colot y D. De Brucq, «Dempster-Shafer's theory as an aid to color information processing. Application to melanoma detection in dermatology,» de Proceedings 10th International Conference on Image Analysis and Processing, Venice, Italy, 1999.L. Yu, H. Chen, Q. Dou, J. Qin y P.-A. Heng, «Automated Melanoma Recognition in Dermoscopy Images via Very Deep Residual Networks,» IEEE TRANSACTIONS ON MEDICAL IMAGING, vol. 36, nº 4, pp. 994-1004, 2017.Y. Yuan, M. Chao y Y.-C. Lo, «Automatic Skin Lesion Segmentation Using Deep Fully Convolutional Networks with Jaccard Distance,» IEEE TRANSACTIONS ON MEDICAL IMAGING, vol. 36, pp. 1876-1886, 2017.N. Codella, Q.-B. Nguyen, S. Pankanti, D. Gutman, B. Helba, A. Halpern y J. R. Smith, «Deep learning ensembles for melanoma recognition in dermoscopy images,» IBM Journal of Research and Development, vol. 21, pp. 5:1-5:15, 2017.I. González-Díaz, «DermaKNet: Incorporating the knowledge of dermatologists to Convolutional Neural Networks for skin lesion diagnosis,» IEEE Journal of Biomedical and Health Informatics, vol. 23, nº 2, pp. 547-559, 2018.E. Nasr-Esfahani, S. Samavi, N. Karimi y S. Soroushmehr, «Melanoma Detection by Analysis of Clinical Images Using Convolutional Neural Network,» de 38th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC), Orlando, 2016.M. u. Rehman, S. H. Khan, S. M. D. Rizvi, Z. Abbas y A. Zafar, «Classification of Skin Lesion by Interference of Segmentation and Convolotion Neural Network,» de 2018 2nd International Conference on Engineering Innovation (ICEI), Bangkok, 2018.Z. Yu, D. Ni, S. Chen, J. Qin, S. Li, T. Wang y B. Lei, «Hybrid dermoscopy image classification framework based on deep convolutional neural network and Fisher vector,» de 2017 IEEE 14th International Symposium on Biomedical Imaging (ISBI 2017), Melbourne, 2017.S. Sigurdsson, P. A. Philipsen, L. K. Hansen, J. Larsen, M. Gniadecka y H. C. Wulf, «Detection of skin cancer by classification of Raman spectra,» IEEE TRANSACTIONS ON BIOMEDICAL ENGINEERING, vol. 51, nº 10, pp. 1784 - 1793, 2004.I. Pirnog, R. O. Preda, C. Oprea y C. Paleologu, «Automatic lesion segmentation for melanoma diagnostics in macroscopic images,» de 23rd European Signal Processing Conference (EUSIPCO), Nice, 2015.R. Kasmi y K. Mokrani, «Classification of malignant melanoma and benign skin lesions: implementation of automatic ABCD rule,» IET Image Processing, vol. 10, nº 6, pp. 448- 455, 2016.J. R. Varatharaj, N. J, P. R y A. K. L, «Detection of melanoma skin cancer using digital camera images,» ARPN Journal of Engineering and Applied Sciences, vol. 10, pp. 3082- 3085, 2015.K. Shimizu, H. Iyatomi, . M. E. Celebi, K.-A. Norton y M. Tanaka, «Four-Class Classification of Skin Lesions With Task Decomposition Strategy,» IEEE TRANSACTIONS ON BIOMEDICAL ENGINEERING, vol. 62, nº 1, pp. 274 - 283, 2014.M. Sadeghi, T. K. Lee, D. McLean, H. Lui y M. S. Atkins, «Detection and Analysis of Irregular Streaks in Dermoscopic Images of Skin Lesions,» Detection and Analysis of Irregular Streaks in Dermoscopic Images of Skin Lesions, vol. 32, nº 5, pp. 849 - 861, 2013.Y. Gu, Z. Ge, C. P. Bonnington y J. Zhou, «Progressive Transfer Learning and Adversarial Domain Adaptation for Cross-Domain Skin Disease Classification,» IEEE JOURNAL OF BIOMEDICAL AND HEALTH INFOMATICS, vol. 24, nº 5, pp. 1379 - 1393, 2020.Q. Zhou, Y. Shi, Z. Xu, R. Qu y G. Xu, «Classifying Melanoma Skin Lesions Using Convolutional Spiking Neural Networks With Unsupervised STDP Learning Rule,» IEEE Access, vol. 8, pp. 101309 - 101319, 2020.L. Wei, K. Ding y H. Hu, «Automatic Skin Cancer Detection in Dermoscopy Images based on Ensemble Lightweight Deep Learning Network,» IEEE Access, vol. 8, pp. 99633 - 99647, 2020.Q. Zhou, C. Ren y S. Qi, «An Imbalanced R-STDP Learning Rule in Spiking Neural Networks for Medical Image Classification,» IEEE Access , vol. 8, pp. 224162 - 224177, 2020.A. A. Adegun y S. Viriri, «Deep Learning-Based System for Automatic Melanoma Detection,» IEEE Access, vol. 8, pp. 7160 - 7172, 2019.S. Albahli, N. Nida, A. Irtaza, M. H. Yousaf y M. T. Mahmood, «Melanoma Lesion Detection and Segmentation Using YOLOv4-DarkNet and Active Contour,» IEEE Access, vol. 8, pp. 198403 - 198414, 2020.Q. Wang, L. Sun, Y. Wang, M. Zhou, M. Hu, J. Chen, Y. Wen y Q. Li, «Identification of Melanoma From Hyperspectral Pathology Image Using 3D Convolutional Networks,» IEEE Transactions on Medical Imaging , vol. 40, nº 1, pp. 218 - 227, 2021.K. Thurnhofer-Hemsi, E. López-Rubio, E. Domínguez y D. A. Elizondo , «Skin Lesion Classification by Ensembles of Deep Convolutional Networks and Regularly Spaced Shifting,» IEEE Access, vol. 9, pp. 112193 - 112205, 2021.M. Goyal, A. Oakley, P. Bansal, D. Dancey y M. H. Yap, «Skin Lesion Segmentation in Dermoscopic Images With Ensemble Deep Learning Methods,» IEEE Access, vol. 8, pp. 4171-4181, 2020.L. Ichim y D. Popescu, «Melanoma Detection Using an Objective System Based on Multiple Connected Neural Networks,» IEEE Access, vol. 8, pp. 179189-179202, 2020.L. Talavera-Martínez, P. Bibiloni y M. González-Hidalgo, «Hair Segmentation and Removal in Dermoscopic Images Using Deep Learning,» IEEE Access, vol. 9, pp. 2694- 2704, 2021.A. Gong, X. Yao y W. Lin, «Dermoscopy Image Classification Based on StyleGANs and Decision Fusion,» IEEE Access, vol. 8, pp. 70640-70650, 2020.T.-C. Pham, A. Doucet, C.-M. Luong, C.-T. Tran y V.-D. Hoang, «Improving Skin-Disease Classification Based on Customized Loss Function Combined With Balanced Mini-Batch Logic and Real-Time Image Augmentation,» IEEE Access, vol. 8, pp. 150725-150737, 2020.B. Zhang, Z. Wang, J. Gao, C. Rutjes, K. Nufer, D. Tao, D. D. Feng y S. W. Menzies, «Short-Term Lesion Change Detection for Melanoma Screening With Novel Siamese Neural Network,» IEEE Transactions on Medical Imaging, vol. 40, nº 3, pp. 840-851, 2021.H. Arab, L. Chioukh, M. Dashti Ardakani, S. Dufour y S. O. Tatu, «Early-Stage Detection of Melanoma Skin Cancer Using Contactless Millimeter-Wave Sensors,» IEEE Sensors Journal, vol. 20, nº 13, pp. 7310-7317, 2020.L. Song, J. Lin, Z. J. Wang y H. Wang, «An End-to-End Multi-Task Deep Learning Framework for Skin Lesion Analysis,» IEEE Journal of Biomedical and Health Informatics, vol. 24, nº 10, pp. 2912-2921, 2020.R. Rastghalam, H. Danyali, M. S. Helfroush, M. E. Celebi y M. Mokhtari, «Skin Melanoma Detection in Microscopic Images Using HMM-Based Asymmetric Analysis and Expectation Maximization,» IEEE Journal of Biomedical and Health Informatics, vol. 25, nº 9, pp. 3486-3497, 2021.M. A. Khan, K. Muhammad, M. Sharif, T. Akram y V. H. C. d. Albuquerque, «Multi-Class Skin Lesion Detection and Classification via Teledermatology,» IEEE Journal of Biomedical and Health Informatics, vol. 25, nº 12, pp. 4267-4275, 2021.novaderma, «novaderma CLINICA DERMATOLOGICA,» [En línea]. Available: https://www.clinicanovaderma.com/la-dermatoscopia-digital/. [Último acceso: 08 2021].E. Galán y D. Puerto, Manual para la detección temprana del cancer de piel y recomendaciones para la disminución de exposición a radiación ultravioleta, Bogotá: Instituto Nacional de Cancerología ESE, 2015.A. Karpathy , F.-F. Li, J. Johnson y S. Yeung, «CS231n: Convolutional Neural Networks for Visual Recognition.,» Stanford CS class, 2016-2019. [En línea]. Available: http://cs231n.github.io/. [Último acceso: January 2020].T. Guo, J. Dong, H. Li y Y. Gao, «Simple convolutional neural network on image classification,» de IEEE 2nd International Conference on Big Data Analysis (ICBDA)(, Beijing, 2017.S. ALBAWI, T. A. MOHAMMED y S. AL-ZAWI, «Understanding of a convolutional neural network,» de International Conference on Engineering and Technology (ICET), Antalya, 2017.R. Sarkar, C. C. Chatterjee y A. Hazra, «Diagnosis of melanoma from dermoscopic images using a deep depthwise separable residual convolutional network,» IET Image Processing, vol. 13, 2019.M. A. Khan, M. Sharif, M. Raza, A. Anjum, T. Saba y S. A. Shad, «Skin lesion segmentation and classification: A unified framework of deep neural network features fusion and selection,» Expert Systems, 2019.Z. Yu, X. Jiang, F. Zhou, J. Qin, D. Ni, S. Chen, B. Lei y T. Wang, «Melanoma Recognition in Dermoscopy Images via Aggregated Deep Convolutional Features,» IEEE Transactions on Biomedical Engineering, vol. 66, nº 4, pp. 1006-1016, 2019.K. Jayapriya y I. J. Jacob, «Hybrid fully convolutional networks-based skin lesion segmentation and melanoma detection using deep feature,» International Journal of Imaging Systems and Technology, 2019.A. Namozov y Y. I. Cho, «Convolutional Neural Network Algorithm with Parameterized Activation Function for Melanoma Classification,» de 2018 International Conference on Information and Communication Technology Convergence (ICTC), Jeju, Korea (South), 2018.J. Yang, F. Xie, H. Fan, Z. Jiang y J. Liu, «Classification for Dermoscopy Images Using Convolutional Neural Networks Based on Region Average Pooling,» IEEE Access, vol. 6, pp. 65130-65138, 2018.Y. Li y L. Shen, «Skin Lesion Analysis towards Melanoma Detection Using Deep Learning Network,» Sensors, vol. 18, nº 2, p. 556, 2018.P. Tang, Q. Liang, X. Yan, S. Xiang y D. Zhang, «GP-CNN-DTEL: Global-Part CNN Model With Data-Transformed Ensemble Learning for Skin Lesion Classification,» IEEE Journal of Biomedical and Health Informatics, vol. 24, nº 10, pp. 2870 - 2882, 2020.R. Ashraf, S. Afzal, A. U. Rehman, S. Gul, J. Baber, M. Bakhtyar, I. Mehmood, O.-Y. Song y M. Maqsood, «Region-of-Interest Based Transfer Learning Assisted Framework for Skin Cancer Detection,» IEEE Access, vol. 8, pp. 147858 - 147871, 2020.H. Wu, J. Pan, Z. Li, Z. Wen y J. Qin, «Automated Skin Lesion Segmentation Via an Adaptive Dual Attention Module,» IEEE Transactions on Medical Imaging, vol. 40, nº 1, pp. 357-370, 2021.Y. Jiang, S. Cao, S. Tao y H. Zhang, «Skin Lesion Segmentation Based on Multi-Scale Attention Convolutional Neural Network,» IEEE Access, vol. 8, pp. 122811-122825, 2020.A. Gong, X. Yao y W. Lin, «Classification for Dermoscopy Images Using Convolutional Neural Networks Based on the Ensemble of Individual Advantage and Group Decision,» IEEE Access, vol. 8, p. 2020, 2020.J. Zhang, Y. Xie, Y. Xia y C. Shen, «Attention Residual Learning for Skin Lesion Classification,» IEEE Transactions on Medical Imaging, vol. 38, nº 9, pp. 2092-2103, 2019.CC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8914https://repository.usta.edu.co/bitstream/11634/45517/4/license_rdf1608e658af296c3febc577e957e919bfMD54open accessLICENSElicense.txtlicense.txttext/plain; charset=utf-8807https://repository.usta.edu.co/bitstream/11634/45517/5/license.txtaedeaf396fcd827b537c73d23464fc27MD55open accessORIGINAL2022sebastianriaño.pdf2022sebastianriaño.pdfapplication/pdf1347785https://repository.usta.edu.co/bitstream/11634/45517/1/2022sebastianria%c3%b1o.pdfdcfe84b112e529a9bcff7c6fd02251c7MD51open accesscarta de derechos.pdfcarta de derechos.pdfapplication/pdf509698https://repository.usta.edu.co/bitstream/11634/45517/2/carta%20de%20derechos.pdf9ff57ac06f0af90e855db6551d4e3285MD52metadata only accesscarta de facultad.pdfcarta de facultad.pdfapplication/pdf170728https://repository.usta.edu.co/bitstream/11634/45517/3/carta%20de%20facultad.pdfaa13ad2f3ba52e5157355e70e0478fe3MD53metadata only accessTHUMBNAIL2022sebastianriaño.pdf.jpg2022sebastianriaño.pdf.jpgIM Thumbnailimage/jpeg4370https://repository.usta.edu.co/bitstream/11634/45517/6/2022sebastianria%c3%b1o.pdf.jpgfadf2b8293dd37ea77d94894c51abf79MD56open accesscarta de derechos.pdf.jpgcarta de derechos.pdf.jpgIM Thumbnailimage/jpeg6512https://repository.usta.edu.co/bitstream/11634/45517/7/carta%20de%20derechos.pdf.jpgae5a9c2e574994e06f0bbe0beec48fdeMD57open accesscarta de facultad.pdf.jpgcarta de facultad.pdf.jpgIM Thumbnailimage/jpeg6989https://repository.usta.edu.co/bitstream/11634/45517/8/carta%20de%20facultad.pdf.jpg1a3f7ae3ce606757b5356d8e52ad5f16MD58open access11634/45517oai:repository.usta.edu.co:11634/455172022-12-05 03:14:47.615open accessRepositorio Universidad Santo Tomásrepositorio@usantotomas.edu.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 |