Uso de algoritmos de machine learning para el diagnóstico de melanomas

Calderon Ortiz, Jose Dario; Morales Ticliahuanca, Lennin Fabricio; Roncal Moscol, María Esther; Solórzano Requejo, William Gabriel

Browse

All of Pirhua
This Collection
- By Issue Date
- Authors
- Titles
- Subjects

Statistics

View Usage Statistics

dc.contributor.advisor	Ipanaqué Alama, William	es
dc.contributor.author	Calderon Ortiz, Jose Dario	es
dc.contributor.author	Morales Ticliahuanca, Lennin Fabricio	es
dc.contributor.author	Roncal Moscol, María Esther	es
dc.contributor.author	Solórzano Requejo, William Gabriel	es
dc.contributor.other	Universidad de Piura. Facultad de Ingeniería. Departamento de Ingeniería Mecánica Eléctrica.	es
dc.coverage.spatial	Perú	es
dc.date.accessioned	2021-05-20T00:28:36Z
dc.date.available	2021-05-20T00:28:36Z
dc.date.issued	2021-05-19	es
dc.date.submitted	2021-02	es
dc.identifier.citation	Calderon, J., Morales, L., Roncal, M. y Solórzano, W. (2021). Uso de algoritmos de machine learning para el diagnóstico de melanomas (Trabajo de investigación de bachiller en Ingeniería Mecánico-Eléctrica). Universidad de Piura. Facultad de Ingeniería. Programa Académico de Ingeniería Mecánico-Eléctrica. Piura, Perú.	es
dc.identifier.uri	https://hdl.handle.net/11042/4949
dc.description.abstract	El trabajo tiene como objetivo desarrollar una herramienta que ayude a realizar un primer diagnóstico mediante la identificación de lunares en la piel que encajen en la descripción de un posible melanoma. Con tal fin, se realiza una comparación entre dos algoritmos comunes en la clasificación de imágenes random forest y redes neuronales convolucionales (RNC), detallándose la información necesaria para el desarrollo y aprovechamiento de los algoritmos y cómo estos serán utilizados para la programación de una herramienta digital que facilite la detección de un melanoma en la piel, acelerándose así el diagnóstico de cáncer de piel e iniciando un tratamiento de manera rápida. Para el desarrollo, se obtuvieron imágenes de una competencia organizada por la Society for Imaging in Medicine y la International Skin Imaging Collaboration. El total de imágenes de melanoma fue de 1087 y 1029 de lunares benignos. Dado que muchas de estas tenían vellos, se utilizó un removedor digital denominado DigitalHairRemoval y la técnica usada para mejorar la precisión fue la data augmentation. Posteriormente, se desarrollaron modelos con RNC probando las arquitecturas DenseNet 121 y 161, y ResNet 34 y 50 mientras que, para los modelos random forest, se probó la técnica de Principal Component Analysis (PCA) y las transformaciones L y P. El criterio de selección se basó en indicadores de las mejores métricas (accuracy, precision, recall y f1 score). De los modelos desarrollados con RNC, el mejor fue Resnet34, en tanto, para los desarrollados con random forest, las mejores métricas se obtuvieron utilizando la técnica de PCA con la transformación P. Con lo cual, se concluye que el modelo con RNC con la arquitectura Resnet34 es mejor que el de random forest porque este considera la localidad de los píxeles, mientras que random forest pierde esta propiedad en el aplanamiento de éstos.	es
dc.format.extent	2,25 MB	es
dc.format.mimetype	application/pdf	es
dc.language	Español	es
dc.language.iso	spa	es
dc.publisher	Universidad de Piura	es
dc.relation.requires	Adobe Reader	es
dc.rights	info:eu-repo/semantics/openAccess	es
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/4.0/	es
dc.source	Universidad de Piura	es
dc.source	Repositorio Institucional Pirhua - UDEP	es
dc.subject	Melanoma -- Diagnóstico	es
dc.subject	Aprendizaje automático (Inteligencia artificial) -- Aplicación -- Enfermedades	es
dc.subject.ddc	006.3	es
dc.title	Uso de algoritmos de machine learning para el diagnóstico de melanomas	es
dc.type	info:eu-repo/semantics/bachelorThesis	es
dc.rights.holder	Jose Dario Calderon Ortiz, Lennin Fabricio Morales Ticliahuanca, María Esther Roncal Moscol, William Gabriel Solórzano Requejo	es
dc.rights.license	Creative Commons Atribución-NoComercial-SinDerivar 4.0 Internacional	es
dc.relation.publishversion	1	es
thesis.degree.name	Bachiller en Ingeniería Mecánico-Eléctrica	es
thesis.degree.grantor	Universidad de Piura. Facultad de Ingeniería	es
thesis.degree.discipline	Ingeniería Mecánico-Eléctrica	es
dc.publisher.country	PE	es
dc.subject.ocde	https://purl.org/pe-repo/ocde/ford#2.02.03	es
renati.author.dni	72943511
renati.author.dni	73184018
renati.author.dni	73052362
renati.author.dni	70172433
renati.advisor.orcid	https://orcid.org/0000-0003-4039-4422	es
renati.advisor.dni	06422494
renati.type	http://purl.org/pe-repo/renati/type#trabajoDeInvestigacion	es
renati.level	https://purl.org/pe-repo/renati/level#bachiller	es
renati.discipline	713076	es
renati.juror	Ipanaqué Alama, William	es
renati.juror	Quispe Chanampa, Carlos Nicolás	es