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...

Descripción completa

Detalles Bibliográficos
Autor: Barba Sánchez, Agustín Miguel
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
id ES_da703f5d99fbc2b4f1c752223f2f6a33
oai_identifier_str oai:openaccess.uoc.edu:10609/138407
network_acronym_str ES
network_name_str España
repository_id_str
dc.title.none.fl_str_mv Estudio de técnicas de machine learning para el diagnóstico del melanoma y otras lesiones cutáneas a partir de imágenes
title Estudio de técnicas de machine learning para el diagnóstico del melanoma y otras lesiones cutáneas a partir de imágenes
spellingShingle Estudio de técnicas de machine learning para el diagnóstico del melanoma y otras lesiones cutáneas a partir de imágenes
Barba Sánchez, Agustín Miguel
aprenentatge profund
imatge mèdica
GANs
aprendizaje profundo
imagen médica
GANs
deep learning
medical image
GANs
Artificial intelligence -- TFM
Intel·ligència artificial -- TFM
Inteligencia artificial -- TFM
title_short Estudio de técnicas de machine learning para el diagnóstico del melanoma y otras lesiones cutáneas a partir de imágenes
title_full Estudio de técnicas de machine learning para el diagnóstico del melanoma y otras lesiones cutáneas a partir de imágenes
title_fullStr Estudio de técnicas de machine learning para el diagnóstico del melanoma y otras lesiones cutáneas a partir de imágenes
title_full_unstemmed Estudio de técnicas de machine learning para el diagnóstico del melanoma y otras lesiones cutáneas a partir de imágenes
title_sort Estudio de técnicas de machine learning para el diagnóstico del melanoma y otras lesiones cutáneas a partir de imágenes
dc.creator.none.fl_str_mv Barba Sánchez, Agustín Miguel
author Barba Sánchez, Agustín Miguel
author_facet Barba Sánchez, Agustín Miguel
author_role author
dc.contributor.none.fl_str_mv Ventura, Carles
Yu, Longlong
dc.subject.none.fl_str_mv aprenentatge profund
imatge mèdica
GANs
aprendizaje profundo
imagen médica
GANs
deep learning
medical image
GANs
Artificial intelligence -- TFM
Intel·ligència artificial -- TFM
Inteligencia artificial -- TFM
topic aprenentatge profund
imatge mèdica
GANs
aprendizaje profundo
imagen médica
GANs
deep learning
medical image
GANs
Artificial intelligence -- TFM
Intel·ligència artificial -- TFM
Inteligencia artificial -- TFM
description 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.
publishDate 2021
dc.date.none.fl_str_mv 2021
2022
2022
dc.type.none.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
dc.identifier.none.fl_str_mv http://hdl.handle.net/10609/138407
url http://hdl.handle.net/10609/138407
dc.language.none.fl_str_mv Español
language_invalid_str_mv Español
dc.rights.none.fl_str_mv CC BY-NC-ND
http://creativecommons.org/licenses/by-nc-nd/3.0/es/
info:eu-repo/semantics/openAccess
rights_invalid_str_mv CC BY-NC-ND
http://creativecommons.org/licenses/by-nc-nd/3.0/es/
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
application/pdf
dc.publisher.none.fl_str_mv Universitat Oberta de Catalunya (UOC)
publisher.none.fl_str_mv Universitat Oberta de Catalunya (UOC)
dc.source.none.fl_str_mv reponame:O2, repositorio institucional de la UOC
instname:Universitat Oberta de Catalunya (UOC)
instname_str Universitat Oberta de Catalunya (UOC)
reponame_str O2, repositorio institucional de la UOC
collection O2, repositorio institucional de la UOC
repository.name.fl_str_mv
repository.mail.fl_str_mv
_version_ 1869421578260840448
spelling Estudio de técnicas de machine learning para el diagnóstico del melanoma y otras lesiones cutáneas a partir de imágenesBarba Sánchez, Agustín Miguelaprenentatge profundimatge mèdicaGANsaprendizaje profundoimagen médicaGANsdeep learningmedical imageGANsArtificial intelligence -- TFMIntel·ligència artificial -- TFMInteligencia artificial -- TFMEl 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.Skin cancer is the most common type of cancer and although melanoma accounts for only 1% of skin cancer, it is one of the deadliest, especially if detected in advanced stages. An early diagnosis would allow increasing the options of its treatment and patient survival. This diagnosis is made by visual inspection of the lesions, measuring parameters that are potentially detectable by a computer vision system, such as size, colour and shape. This opens the door to automatic systems for the diagnosis of skin lesions. The objective of this work is the implementation of an automatic skin lesion classifier. For this purpose, we used the HAM 10000 dataset, a set of dermatoscopic images compiled to train this type of systems. To do this, we have started from an initial prototype based on the EfficientNet model and then different techniques have been applied to improve the system's response. In addition, to improve the training of the model, the original dataset has been augmented using generative adversarial networks. The result of this work is that starting from an initial result of 0.34 for the f1-score and 0.63 for the accuracy, it has been improved to 0.75 for the f1-score and 0.86 for the accuracy. This result is similar to that obtained by human experts, so it could be used as an aid to diagnosis and decision-making.El càncer de pell és el tipus de càncer més comú i, encara que el melanoma representa únicament l'1% d'aquest càncer, és un dels més mortals, especialment si es detecta en estats avançats. Un diagnòstic precoç permetria augmentar les opcions del tractament i la supervivència dels pacients. Aquest diagnòstic es realitza mitjançant la inspecció visual de les lesions, amb el mesurament de paràmetres que són potencialment detectables per un sistema de visió artificial, com la mida, el color i la forma. Això obre la porta a poder comptar amb sistemes automàtics per al diagnòstic de lesions de pell. L'objectiu d'aquest treball és implementar un classificador automàtic de lesions de pell. Per això s'ha utilitzat el dataset HAM 10000, un conjunt d'imatges dermatoscòpiques compilat amb el propòsit d'entrenar aquest tipus de sistemes. S'ha partit d'un prototip inicial basat en el model EfficientNet i s'han aplicat diferents tècniques per millorar la resposta del sistema. A més, per millorar l'entrenament del model, s'ha augmentat el conjunt de dades original mitjançant l'ús de xarxes generatives adversàries. El resultat d'aquest treball és que partint d'un resultat inicial de 0,34 de f1-score i 0,63 d'accuracy, s'ha aconseguit millorar fins a un 0,75 de f1-score i 0,86 d'accuracy. Aquest resultat és similar a l'obtingut per experts humans, per la qual cosa podria ser utilitzat com a ajuda al diagnòstic i la presa de decisions.Universitat Oberta de Catalunya (UOC)Ventura, CarlesYu, Longlong202220222021info:eu-repo/semantics/masterThesisapplication/pdfapplication/pdfhttp://hdl.handle.net/10609/138407reponame:O2, repositorio institucional de la UOCinstname:Universitat Oberta de Catalunya (UOC)EspañolCC BY-NC-NDhttp://creativecommons.org/licenses/by-nc-nd/3.0/es/info:eu-repo/semantics/openAccessoai:openaccess.uoc.edu:10609/1384072026-05-28T12:42:01Z
score 15,300719

Similares en LA Referencia