Identificación y clasificación automática de lesiones cutáneas pigmentadas mediante imágenes dermatoscópicas
En este informe, se presenta un estudio comparativo sobre la clasificación de imágenes de lesiones cutáneas pigmentadas utilizando técnicas de machine learning y redes neuronales convolucionales. Se implementaron y evaluaron dos modelos diferentes con el objetivo de identificar y clasificar diversas...
- Autores:
-
Morillo Cervantes, Camilo Andres
- Tipo de recurso:
- Trabajo de grado de pregrado
- Fecha de publicación:
- 2024
- Institución:
- Universidad de los Andes
- Repositorio:
- Séneca: repositorio Uniandes
- Idioma:
- spa
- OAI Identifier:
- oai:repositorio.uniandes.edu.co:1992/74267
- Acceso en línea:
- https://hdl.handle.net/1992/74267
- Palabra clave:
- Machine learning
CNN
Lesiones cútaneas
Ingeniería
- Rights
- openAccess
- License
- Attribution 4.0 International
id |
UNIANDES2_45fa34d72286ac1898098fd9d8277a22 |
---|---|
oai_identifier_str |
oai:repositorio.uniandes.edu.co:1992/74267 |
network_acronym_str |
UNIANDES2 |
network_name_str |
Séneca: repositorio Uniandes |
repository_id_str |
|
dc.title.spa.fl_str_mv |
Identificación y clasificación automática de lesiones cutáneas pigmentadas mediante imágenes dermatoscópicas |
title |
Identificación y clasificación automática de lesiones cutáneas pigmentadas mediante imágenes dermatoscópicas |
spellingShingle |
Identificación y clasificación automática de lesiones cutáneas pigmentadas mediante imágenes dermatoscópicas Machine learning CNN Lesiones cútaneas Ingeniería |
title_short |
Identificación y clasificación automática de lesiones cutáneas pigmentadas mediante imágenes dermatoscópicas |
title_full |
Identificación y clasificación automática de lesiones cutáneas pigmentadas mediante imágenes dermatoscópicas |
title_fullStr |
Identificación y clasificación automática de lesiones cutáneas pigmentadas mediante imágenes dermatoscópicas |
title_full_unstemmed |
Identificación y clasificación automática de lesiones cutáneas pigmentadas mediante imágenes dermatoscópicas |
title_sort |
Identificación y clasificación automática de lesiones cutáneas pigmentadas mediante imágenes dermatoscópicas |
dc.creator.fl_str_mv |
Morillo Cervantes, Camilo Andres |
dc.contributor.advisor.none.fl_str_mv |
Lozano Martínez, Fernando Enrique |
dc.contributor.author.none.fl_str_mv |
Morillo Cervantes, Camilo Andres |
dc.contributor.jury.none.fl_str_mv |
Osma Cruz, Johann Faccelo |
dc.subject.keyword.spa.fl_str_mv |
Machine learning CNN Lesiones cútaneas |
topic |
Machine learning CNN Lesiones cútaneas Ingeniería |
dc.subject.themes.spa.fl_str_mv |
Ingeniería |
description |
En este informe, se presenta un estudio comparativo sobre la clasificación de imágenes de lesiones cutáneas pigmentadas utilizando técnicas de machine learning y redes neuronales convolucionales. Se implementaron y evaluaron dos modelos diferentes con el objetivo de identificar y clasificar diversas afecciones dermatológicas a partir de imágenes. El primer modelo se basa en una red neuronal convolucional (CNN) estándar, conocida por su eficacia en tareas de clasificación de imágenes. El segundo modelo emplea una arquitectura de aprendizaje profundo más avanzada, como XCeption, que optimiza la precisión de la clasificación realizada. Ambos modelos fueron entrenados y probados utilizando un conjunto de datos de imágenes de lesiones de la piel, que incluye múltiples clases de condiciones dermatológicas. Además, también se emplearon diferentes técnicas de machine learning como oversampling, class weights y data augmentation para lidiar con el problema del desbalanceo del conjunto de datos utilizados y la poca cantidad de imágenes disponibles en dicho conjunto de datos. Los resultados del estudio demuestran que ambos modelos pueden lograr una alta precisión en la clasificación, con XCeption superando ligeramente a la CNN estándar en términos de precisión. Además, se evaluaron métricas clave como la precisión, las perdidas, la F1-score y la curva ROC-AUC para proporcionar una comparación detallada del rendimiento de los modelos. Este análisis subraya la importancia de seleccionar arquitecturas de modelos adecuadas para aplicaciones de salud, donde la precisión y la eficiencia son cruciales. El informe concluye con respecto al desempeño de los modelos implementados y la utilidad de este tipo de modelos en el campo médico. |
publishDate |
2024 |
dc.date.accessioned.none.fl_str_mv |
2024-06-07T14:23:53Z |
dc.date.available.none.fl_str_mv |
2024-06-07T14:23:53Z |
dc.date.issued.none.fl_str_mv |
2024-06-06 |
dc.type.none.fl_str_mv |
Trabajo de grado - Pregrado |
dc.type.driver.none.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
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_7a1f |
dc.type.content.none.fl_str_mv |
Text |
dc.type.redcol.none.fl_str_mv |
http://purl.org/redcol/resource_type/TP |
format |
http://purl.org/coar/resource_type/c_7a1f |
status_str |
acceptedVersion |
dc.identifier.uri.none.fl_str_mv |
https://hdl.handle.net/1992/74267 |
dc.identifier.instname.none.fl_str_mv |
instname:Universidad de los Andes |
dc.identifier.reponame.none.fl_str_mv |
reponame:Repositorio Institucional Séneca |
dc.identifier.repourl.none.fl_str_mv |
repourl:https://repositorio.uniandes.edu.co/ |
url |
https://hdl.handle.net/1992/74267 |
identifier_str_mv |
instname:Universidad de los Andes reponame:Repositorio Institucional Séneca repourl:https://repositorio.uniandes.edu.co/ |
dc.language.iso.none.fl_str_mv |
spa |
language |
spa |
dc.rights.en.fl_str_mv |
Attribution 4.0 International |
dc.rights.uri.none.fl_str_mv |
http://creativecommons.org/licenses/by/4.0/ |
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 |
Attribution 4.0 International http://creativecommons.org/licenses/by/4.0/ http://purl.org/coar/access_right/c_abf2 |
eu_rights_str_mv |
openAccess |
dc.format.extent.none.fl_str_mv |
9 páginas |
dc.format.mimetype.none.fl_str_mv |
application/pdf |
dc.publisher.none.fl_str_mv |
Universidad de los Andes |
dc.publisher.program.none.fl_str_mv |
Ingeniería Electrónica |
dc.publisher.faculty.none.fl_str_mv |
Facultad de Ingeniería |
dc.publisher.department.none.fl_str_mv |
Departamento de Ingeniería Eléctrica y Electrónica |
publisher.none.fl_str_mv |
Universidad de los Andes |
institution |
Universidad de los Andes |
bitstream.url.fl_str_mv |
https://repositorio.uniandes.edu.co/bitstreams/260a54be-3a00-495b-b7ef-6f46d3393e2b/download https://repositorio.uniandes.edu.co/bitstreams/e8d49daa-f213-4a96-9e87-286679f32f43/download https://repositorio.uniandes.edu.co/bitstreams/d2aa085a-c4dd-4012-ae75-c2f538ea01f8/download https://repositorio.uniandes.edu.co/bitstreams/57e11f3f-4e5c-41f7-ada7-b58c3fefcc3a/download https://repositorio.uniandes.edu.co/bitstreams/b97decdc-c5f1-45c4-af64-cde3836fd210/download https://repositorio.uniandes.edu.co/bitstreams/8ea24265-f8e5-49d6-ac75-864bfdabbd45/download https://repositorio.uniandes.edu.co/bitstreams/916bd81b-103d-4b04-a24e-e43f0b3b18ec/download https://repositorio.uniandes.edu.co/bitstreams/8615e7b7-eb64-44ce-8371-d3015d08fc7b/download |
bitstream.checksum.fl_str_mv |
e52ffbf8677564c2ff7e428023d49c25 f079f3e659511b2afde6667702d98272 0175ea4a2d4caec4bbcc37e300941108 ae9e573a68e7f92501b6913cc846c39f 5cb20429bd0c45124a9b389146efdca8 a498e955650d309c09660d01463b6e07 a069b5ffefcadbcbba4c81d5b7d2a72a 3635ea3383eda5019c396d6a947312d8 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 MD5 MD5 MD5 |
repository.name.fl_str_mv |
Repositorio institucional Séneca |
repository.mail.fl_str_mv |
adminrepositorio@uniandes.edu.co |
_version_ |
1812134077966319616 |
spelling |
Lozano Martínez, Fernando Enriquevirtual::18089-1Morillo Cervantes, Camilo AndresOsma Cruz, Johann Faccelovirtual::18096-12024-06-07T14:23:53Z2024-06-07T14:23:53Z2024-06-06https://hdl.handle.net/1992/74267instname:Universidad de los Andesreponame:Repositorio Institucional Sénecarepourl:https://repositorio.uniandes.edu.co/En este informe, se presenta un estudio comparativo sobre la clasificación de imágenes de lesiones cutáneas pigmentadas utilizando técnicas de machine learning y redes neuronales convolucionales. Se implementaron y evaluaron dos modelos diferentes con el objetivo de identificar y clasificar diversas afecciones dermatológicas a partir de imágenes. El primer modelo se basa en una red neuronal convolucional (CNN) estándar, conocida por su eficacia en tareas de clasificación de imágenes. El segundo modelo emplea una arquitectura de aprendizaje profundo más avanzada, como XCeption, que optimiza la precisión de la clasificación realizada. Ambos modelos fueron entrenados y probados utilizando un conjunto de datos de imágenes de lesiones de la piel, que incluye múltiples clases de condiciones dermatológicas. Además, también se emplearon diferentes técnicas de machine learning como oversampling, class weights y data augmentation para lidiar con el problema del desbalanceo del conjunto de datos utilizados y la poca cantidad de imágenes disponibles en dicho conjunto de datos. Los resultados del estudio demuestran que ambos modelos pueden lograr una alta precisión en la clasificación, con XCeption superando ligeramente a la CNN estándar en términos de precisión. Además, se evaluaron métricas clave como la precisión, las perdidas, la F1-score y la curva ROC-AUC para proporcionar una comparación detallada del rendimiento de los modelos. Este análisis subraya la importancia de seleccionar arquitecturas de modelos adecuadas para aplicaciones de salud, donde la precisión y la eficiencia son cruciales. El informe concluye con respecto al desempeño de los modelos implementados y la utilidad de este tipo de modelos en el campo médico.Pregrado9 páginasapplication/pdfspaUniversidad de los AndesIngeniería ElectrónicaFacultad de IngenieríaDepartamento de Ingeniería Eléctrica y ElectrónicaAttribution 4.0 Internationalhttp://creativecommons.org/licenses/by/4.0/info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Identificación y clasificación automática de lesiones cutáneas pigmentadas mediante imágenes dermatoscópicasTrabajo de grado - Pregradoinfo:eu-repo/semantics/bachelorThesisinfo:eu-repo/semantics/acceptedVersionhttp://purl.org/coar/resource_type/c_7a1fTexthttp://purl.org/redcol/resource_type/TPMachine learningCNNLesiones cútaneasIngeniería202015224Publicationhttps://scholar.google.es/citations?user=6QQ-dqMAAAAJvirtual::18096-1https://scholar.google.es/citations?user=6QQ-dqMAAAAJ0000-0003-2928-3406virtual::18096-10000-0003-2928-3406https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0000025550virtual::18089-1https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0000221112virtual::18096-1https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0000221112edd81d8c-e0b9-4c1f-bf04-eed0e12e755dvirtual::18089-1edd81d8c-e0b9-4c1f-bf04-eed0e12e755dvirtual::18089-1a9f6ef37-65d7-4484-be71-8f3b4067a8favirtual::18096-1a9f6ef37-65d7-4484-be71-8f3b4067a8faa9f6ef37-65d7-4484-be71-8f3b4067a8favirtual::18096-1ORIGINALIdentificación y clasificación automática de lesiones cutáneas pigmentadas mediante imágenes dermatoscópicas.pdfIdentificación y clasificación automática de lesiones cutáneas pigmentadas mediante imágenes dermatoscópicas.pdfapplication/pdf2276940https://repositorio.uniandes.edu.co/bitstreams/260a54be-3a00-495b-b7ef-6f46d3393e2b/downloade52ffbf8677564c2ff7e428023d49c25MD51autorizacion tesis_signed.pdfautorizacion tesis_signed.pdfHIDEapplication/pdf230890https://repositorio.uniandes.edu.co/bitstreams/e8d49daa-f213-4a96-9e87-286679f32f43/downloadf079f3e659511b2afde6667702d98272MD52CC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8908https://repositorio.uniandes.edu.co/bitstreams/d2aa085a-c4dd-4012-ae75-c2f538ea01f8/download0175ea4a2d4caec4bbcc37e300941108MD53LICENSElicense.txtlicense.txttext/plain; charset=utf-82535https://repositorio.uniandes.edu.co/bitstreams/57e11f3f-4e5c-41f7-ada7-b58c3fefcc3a/downloadae9e573a68e7f92501b6913cc846c39fMD54TEXTIdentificación y clasificación automática de lesiones cutáneas pigmentadas mediante imágenes dermatoscópicas.pdf.txtIdentificación y clasificación automática de lesiones cutáneas pigmentadas mediante imágenes dermatoscópicas.pdf.txtExtracted texttext/plain37165https://repositorio.uniandes.edu.co/bitstreams/b97decdc-c5f1-45c4-af64-cde3836fd210/download5cb20429bd0c45124a9b389146efdca8MD55autorizacion tesis_signed.pdf.txtautorizacion tesis_signed.pdf.txtExtracted texttext/plain2079https://repositorio.uniandes.edu.co/bitstreams/8ea24265-f8e5-49d6-ac75-864bfdabbd45/downloada498e955650d309c09660d01463b6e07MD57THUMBNAILIdentificación y clasificación automática de lesiones cutáneas pigmentadas mediante imágenes dermatoscópicas.pdf.jpgIdentificación y clasificación automática de lesiones cutáneas pigmentadas mediante imágenes dermatoscópicas.pdf.jpgGenerated Thumbnailimage/jpeg18133https://repositorio.uniandes.edu.co/bitstreams/916bd81b-103d-4b04-a24e-e43f0b3b18ec/downloada069b5ffefcadbcbba4c81d5b7d2a72aMD56autorizacion tesis_signed.pdf.jpgautorizacion tesis_signed.pdf.jpgGenerated Thumbnailimage/jpeg10946https://repositorio.uniandes.edu.co/bitstreams/8615e7b7-eb64-44ce-8371-d3015d08fc7b/download3635ea3383eda5019c396d6a947312d8MD581992/74267oai:repositorio.uniandes.edu.co:1992/742672024-06-08 03:21:04.135http://creativecommons.org/licenses/by/4.0/Attribution 4.0 Internationalopen.accesshttps://repositorio.uniandes.edu.coRepositorio institucional Sénecaadminrepositorio@uniandes.edu.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 |