Ítem
Acceso Abierto
Detección de melanoma cutáneo a través de la regla ABCD usando algoritmos de aprendizaje profundo
Título de la revista
Autores
Moreno Luna, Paula Caterine
Fecha
2024-02-12
Directores
Perdomo Charry, Oscar Julián
Jaramillo Isaza, Jonnier Sebastián
ISSN de la revista
Título del volumen
Editor
Universidad del Rosario
Buscar en:
Métricas alternativas
Resumen
El melanoma es un tipo de cáncer de piel que afecta los melanocitos, estas son las células encargadas de la producción de melanina, esta neoplasia es la de mayor mortalidad de todos los cánceres de piel. Durante los últimos años se ha venido presentando un aumento de nuevos casos, por ejemplo, en Colombia las cifras dadas por la Cuenta de Alto Costo lo ubicaron en 2021 como el octavo tumor más frecuente según el número de diagnósticos registrados, y la mortalidad aumentó un 30\% en comparación con el año anterior. Hoy en día existen una gran cantidad de métodos y técnicas para identificarlo en sus etapas tempranas, siendo una de ellas la regla ABCD, la cual a través de las características físicas del lunar puede determinar la sospecha de que este tenga células cancerosas, de manera específica: Si el lunar es asimétrico (A), tiene bordes irregulares (B), más de uno o dos colores (C) y un diámetro mayor a 6 mm (D) tiene una alta probabilidad de que sea melanoma, esta regla ha ganado bastante aceptación clínica para la identificación de esta enfermedad. Con base en esto, el objetivo de este trabajo de maestría fue la adaptación de modelos basados en aprendizaje profundo para la estimación automática de características que puedan clasificar lunares como benignos o malignos, con validación en imágenes obtenidas de la base de datos del \textit{International Skin Imaging Collaboration (ISIC) Challenge Dataset}. Para ello se usaron técnicas clásicas de procesamiento de imágenes para calcular las características ABCD de toda la base de datos y luego se realizó el entrenamiento para clasificación usando: las características, las imágenes y ambos conjuntos de datos, con esto se obtuvo que aquellos modelos donde se usaron tanto las características como las imágenes tuvieron un mejor desempeño, alcanzando mejores métricas de desempeño tanto en entrenamiento como en prueba.
Abstract
Melanoma is a type of skin cancer that affects melanocytes, which are the cells responsible for the production of melanin. This neoplasm has the highest mortality rate of all skin cancers. During recent years there has been an increase in new cases, for example, in Colombia the figures given by the High Cost Account placed it as the eighth most frequent tumor in 2021 according to the number of registered diagnoses, and mortality increased by 30\% compared to the previous year. Nowadays there are a large number of methods and techniques to identify it in its early stages, one of them being the ABCD rule, which through the physical characteristics of the mole can determine the suspicion that it has cancerous cells, specifically. : If the mole is asymmetrical (A), has irregular edges (B), more than one or two colors (C), and has a diameter greater than 6 mm (D) it has a high probability of being melanoma, this rule has gained a lot clinical acceptance for the identification of this disease. Based on this, the objective of this master's work was the adaptation of models based on deep learning for the automatic estimation of characteristics that can classify moles as benign or malignant, with validation in images obtained from the \textit{ database International Skin Imaging Collaboration (ISIC) Challenge Dataset}. For this, classic image processing techniques were used to calculate the ABCD characteristics of the entire database and then the training task was systematically assessed using: only the characteristics, only the images, and the combination of both sources of information (features and images), with this final approach, was obtained that both features and images performed better performance metrics in training and testing sets.
Palabras clave
Aprendizaje de máquina , Aprendizaje profundo , Clasificación , Melanoma , Regla ABCD
Keywords
ABCD rule , Classification , Deep learning , Machine learning , Melanoma
