Uso de algoritmos de machine learning para el diagnóstico de melanomas

Simple item page
dc.contributor.advisorIpanaqué Alama, Williames
dc.contributor.authorCalderon Ortiz, Jose Darioes
dc.contributor.authorMorales Ticliahuanca, Lennin Fabricioes
dc.contributor.authorRoncal Moscol, María Estheres
dc.contributor.authorSolórzano Requejo, William Gabrieles
dc.contributor.otherUniversidad de Piura. Facultad de Ingeniería. Departamento de Ingeniería Mecánica Eléctrica.es
dc.coverage.spatialPerúes
dc.date.accessioned2021-05-20T00:28:36Z
dc.date.available2021-05-20T00:28:36Z
dc.date.issued2021-05-19es
dc.date.submitted2021-02es
dc.description.abstractEl 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.extent2,25 MBes
dc.format.mimetypeapplication/pdfes
dc.identifier.citationCalderon, 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.urihttps://hdl.handle.net/11042/4949
dc.languageEspañoles
dc.language.isospaes
dc.publisherUniversidad de Piuraes
dc.publisher.countryPEes
dc.relation.publishversion1es
dc.relation.requiresAdobe Readeres
dc.rightsinfo:eu-repo/semantics/openAccesses
dc.rights.holderJose Dario Calderon Ortiz, Lennin Fabricio Morales Ticliahuanca, María Esther Roncal Moscol, William Gabriel Solórzano Requejoes
dc.rights.licenseCreative Commons Atribución-NoComercial-SinDerivar 4.0 Internacionales
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/es
dc.sourceUniversidad de Piuraes
dc.sourceRepositorio Institucional Pirhua - UDEPes
dc.subjectMelanoma -- Diagnósticoes
dc.subjectAprendizaje automático (Inteligencia artificial) -- Aplicación -- Enfermedadeses
dc.subject.ddc006.3es
dc.subject.ocdehttps://purl.org/pe-repo/ocde/ford#2.02.03es
dc.titleUso de algoritmos de machine learning para el diagnóstico de melanomases
dc.typeinfo:eu-repo/semantics/bachelorThesises
renati.advisor.dni06422494
renati.advisor.orcidhttps://orcid.org/0000-0003-4039-4422es
renati.author.dni72943511
renati.author.dni73184018
renati.author.dni73052362
renati.author.dni70172433
renati.discipline713076es
renati.jurorIpanaqué Alama, Williames
renati.jurorQuispe Chanampa, Carlos Nicoláses
renati.levelhttps://purl.org/pe-repo/renati/level#bachilleres
renati.typehttp://purl.org/pe-repo/renati/type#trabajoDeInvestigaciones
thesis.degree.disciplineIngeniería Mecánico-Eléctricaes
thesis.degree.grantorUniversidad de Piura. Facultad de Ingenieríaes
thesis.degree.nameBachiller en Ingeniería Mecánico-Eléctricaes
Files
Original bundle
Now showing 1 - 1 of 1
Thumbnail Image
Name:
T_IME_2105.pdf
Size:
2.25 MB
Format:
Adobe Portable Document Format
Description:
Archivo%20principal
Download
Collections
Área de Electrónica y Automatización - Tesis