Clasificación de cáncer de pulmón en imágenes de tomografías mediante procesamiento de imágenes y aprendizaje automático

• Autor: Rivas Plata Casas, Carlos Gualberto
• Formato: tesis de grado
• Fecha de Publicación: 2023
• Institución: Universidad Señor de Sipan
• Repositorio: USS-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.uss.edu.pe:20.500.12802/11015
• Enlace del recurso: https://hdl.handle.net/20.500.12802/11015
• Nivel de acceso: acceso abierto
• Materia: Cáncer de pulmón; Detección; Clasificación; Aprendizaje automático; Métricas de evaluación.; https://purl.org/pe-repo/ocde/ford#2.02.04

La detección de cáncer de pulmón puede resultar complicada para los profesionales de la salud en sus primeras etapas, ya que es difícil identificarlo a partir de imágenes médicas, lo que supone un obstáculo para comenzar un tratamiento adecuado para los pacientes. Esta enfermedad es la principal causa de muerte, con un incremento de nuevos casos, fallecimientos y cada año mueren más personas por este cáncer que por cáncer de mama, próstata y colon. Las técnicas de clasificación tradicionales tienden a no mejorar sus métricas de evaluación debido a sus procesos de filtrado, segmentación, extracción de características y clasificación. La detección tradicional requiere una gran cantidad de tiempo y recursos económicos. La metodología consta de seis pasos: se inicia con una investigación previa para revisar diferentes estudios. Luego, se selecciona un conjunto de datos. En la tercera etapa se eligen las arquitecturas más destacadas para clasificar con relación al conjunto de datos ImageNet. La cuarta etapa se configuran los modelos para entrenamiento y validación. La quinta etapa se evalúa el consumo de recursos y rendimiento de los modelos. Finalmente, se crea una aplicación web que emplea la arquitectura con los mejores resultados. Después de analizar las arquitecturas seleccionadas se obtuvo métricas porcentuales de 97% o más. Sin embargo, las pruebas revelaron que las métricas de exactitud y precisión alcanzaron porcentajes de 95% y 91%, respectivamente. En conclusión, Efficientb4_DA logra mejores resultados alcanzando una exactitud de 95.32%, una precisión de 91.29%, una sensibilidad de 89.84% y una puntuación F de 90.54%.