Estudio de técnicas de machine learning para el diagnóstico del melanoma y otras lesiones cutáneas a partir de imágenes
El cáncer de piel es el tipo de cáncer más común y aunque el melanoma representa únicamente el 1% de este cáncer, es uno de los más mortales, especialmente si se detecta en estados avanzados. Un diagnóstico precoz permitiría aumentar las opciones de su tratamiento y la supervivencia de los pacientes...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis de maestría |
| Fecha de publicación: | 2021 |
| País: | España |
| Institución: | Universitat Oberta de Catalunya (UOC) |
| Repositorio: | O2, repositorio institucional de la UOC |
| OAI Identifier: | oai:openaccess.uoc.edu:10609/138407 |
| Acceso en línea: | http://hdl.handle.net/10609/138407 |
| Access Level: | acceso abierto |
| Palabra clave: | aprenentatge profund imatge mèdica GANs aprendizaje profundo imagen médica deep learning medical image Artificial intelligence -- TFM Intel·ligència artificial -- TFM Inteligencia artificial -- TFM |
| Sumario: | El cáncer de piel es el tipo de cáncer más común y aunque el melanoma representa únicamente el 1% de este cáncer, es uno de los más mortales, especialmente si se detecta en estados avanzados. Un diagnóstico precoz permitiría aumentar las opciones de su tratamiento y la supervivencia de los pacientes. Este diagnóstico se realiza mediante la inspección visual de las lesiones, con la medición de parámetros que son potencialmente detectables por un sistema de visión artificial, como el tamaño, color y forma. Esto abre la puerta a poder contar con sistemas automáticos para el diagnóstico de lesiones de piel. El objetivo de este trabajo es la implementación de un clasificador automático de lesiones de piel. Para esto se ha utilizado el dataset HAM 10000, un conjunto de imágenes dermatoscópicas compilado con el propósito entrenar este tipo de sistemas. Para ello se ha partido de un prototipo inicial basado en el modelo EfficientNet y se han aplicado distintas técnicas para mejorar la respuesta del sistema. Además, con el fin de mejorar el entrenamiento del modelo, se ha aumentado el conjunto de datos original mediante el uso de redes generativas adversarias. El resultado de este trabajo es que partiendo de un resultado inicial de 0.34 de f1-score y 0.63 de accuracy, se ha logrado mejorar hasta un 0.75 de f1-score y 0.86 de accuracy. Este resultado es similar al obtenido por expertos humanos, por lo que podría ser utilizado como ayuda al diagnóstico y a la toma de decisiones. |
|---|