Clasificación de lesiones dermatológicas a partir de imágenes dermoscópicas mediante el aprendizaje automático
Las lesiones dermatológicas tienen una gran incidencia en la población humana. No obstante, sus consecuencias pueden mitigarse si se diagnostican a tiempo. En este sentido, resultaría interesante construir herramientas para profesionales del ámbito sanitario que fueran capaces de ayudar en su detecc...
| Autor: | |
|---|---|
| Formato: | tesis de maestría |
| Fecha de publicación: | 2022 |
| País: | España |
| Recursos: | Universitat Oberta de Catalunya (UOC) |
| Repositorio: | O2, repositorio institucional de la UOC |
| OAI Identifier: | oai:openaccess.uoc.edu:10609/138567 |
| Acesso em linha: | http://hdl.handle.net/10609/138567 |
| Access Level: | acceso abierto |
| Palavra-chave: | dermatologia malalties aprenentatge automàtic dermatología enfermedades dermatology diseases machine learning Machine learning -- TFM Aprenentatge automàtic -- TFM Aprendizaje automático -- TFM |
| Resumo: | Las lesiones dermatológicas tienen una gran incidencia en la población humana. No obstante, sus consecuencias pueden mitigarse si se diagnostican a tiempo. En este sentido, resultaría interesante construir herramientas para profesionales del ámbito sanitario que fueran capaces de ayudar en su detección y diagnóstico precoz. El objetivo de este trabajo es el de crear un modelo que, utilizando técnicas de aprendizaje automático, desarrolle la capacidad de reconocer y clasificar este tipo de lesiones correctamente a partir de imágenes dermoscópicas de pacientes. Se ha considerado un conjunto de imágenes dermoscópicas correspondientes a 9 categorías de lesiones dermatológicas bien definidas provenientes del archivo ISIC 2019. Esta colección de imágenes, catalogadas y etiquetadas por dermatólogos profesionales, servirá de base para entrenar un modelo de red neuronal convolucional que las clasificará. En este trabajo, se utilizan exclusivamente modelos neuronales basados en la familia de arquitecturas EfficientNet. El método general que se ha seguido consta de las siguientes etapas: 1.- Recopilación de información sobre el estado del arte de la clasificación de imágenes usando modelos neuronales. 2.- Obtención de modelos candidatos EfficientNet, entrenándolos utilizando técnicas del estado del arte y recurriendo también a técnicas de ensamblado. 3.- Evaluación de los modelos candidatos en base a la puntuación de la medida objetivo definida en la competición ISIC 2019. Atendiendo únicamente a la medida objetivo, un modelo EfficientNet ensamblado resultó ser más adecuado que el mejor de sus modelos componentes. Sin embargo esta mejoría no resultó ser absoluta cuando se examinaron métricas más específicas. |
|---|