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...

Full description

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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