Arquitectura de red neuronal convolucional para diagnóstico de cáncer de piel

• Autores: Tejada Layme, Giorzinio Maikol, Gonzales Chama, Renzo Pascual
• Formato: tesis de grado
• Fecha de Publicación: 2020
• Institución: Universidad Tecnológica del Perú
• Repositorio: UTP-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.utp.edu.pe:20.500.12867/3043
• Enlace del recurso: https://hdl.handle.net/20.500.12867/3043
• Nivel de acceso: acceso abierto
• Materia: Redes neuronales artificiales; Aprendizaje automático; Diagnóstico clínico; https://purl.org/pe-repo/ocde/ford#2.02.04

El aprendizaje automático ha sido la técnica más usada últimamente en diferentes aplicativos, el Deep Learning que se encuentra dentro del aprendizaje automático, es uno de los más aplicados para el análisis de imágenes médicas, facilitando el diagnóstico de enfermedades en los pacientes y así tomar mejores decisiones acertadas sobre su salud. El presente trabajo describe el problema para la detección de cáncer de piel a partir de imágenes ya clasificadas en melanoma maligno y benigno utilizando un modelo de aprendizaje profundo. La solución a este problema, se evaluó diferentes redes neuronales convolucionales, las cuales puedan obtener una mejor exactitud de la imagen tomada. El modelo establecido para el problema está basado en una clasificación binaria utilizando los valores 1 en caso de maligno y 0 para benigno, así se podrá detectar de forma temprana el melanoma siendo de gran utilidad. La solución propuesta es una nueva arquitectura para el entrenamiento y validación de las imágenes. El proyecto finalmente realiza una comparativa de los resultados que se han realizado en otra investigación, donde las métricas de nuestro proyecto mejoran considerablemente al tener 3 capas. Estos resultados se evaluaron utilizando repositorios de imágenes, que están validados por centros especiales de salud de cáncer de piel.