Diseño de una red neuronal convolucional entrenada para la clasificación de cáncer epidermoide el cuerpo humano
DOI:
https://doi.org/10.5281/zenodo.5500704Palabras clave:
CNN, Variación de parámetros, Clasificación, Cáncer, Epidermoide, AprendizajeResumen
En esta investigación se crearon diferentes modelos de Redes Neuronales Convolucionales variando los parámetros de filtro y épocas con la finalidad de mejorar el aprendizaje sobre las distintas clases del conjunto de imágenes. Así mismo, se subdividió el conjunto de imágenes en imágenes de entrenamiento, prueba y validación, este último para comprobar la eficiencia en la clasificación de del modelo creado el cual presento una eficiencia de 87.5% y el cual se acerca a las mejores encontrados en la literatura.
Descargas
Citas
American Cancer Society, 2016. ¿Qué es el cáncer de piel tipo melanoma?,. [En línea]. Available: https://www.cancer.org/es/cancer/cancer-de-piel-tipo-melanoma/acerca/que-es-melanoma.html. [Último acceso: 23 Julio 2019].
Amirreza Rezvantalab H. S. K. S, 2018. «Dermatologist Level Dermoscopy Skin Cancer Classification Using Different Deep Learning Convolutional Neural Networks Algorithms,» p. 15, Castleman K., 1996. Digital Image Processing, New Jersy: Prentice-Hall, Engelwood Cliffs,
Brinker T. J., A. Hekler, A. H. Enk, J. Kloe, A. Hauschild, C. Berking, B. Schilling, S. Haferkmap, D. Schadendorf, S. Fröhling, J. S. Utikal y C. von Kalle, «A convolutional neural network trained with,» European Journal of Cancer, nº 11, pp. 148-154, 2019.
Codella N. C. F., D. Gutman, M. E. Celebi, B. Helba, M. A. Marchetti, S. W. Dusza, A. Kalloo, K. Liopyris, N. Mishra, H. Kittler y A. Halpern, «Skin lesion analysis toward melanoma detection: A challenge at the 2017 International symposium on biomedical imaging (ISBI), hosted by the international skin imaging collaboration (ISIC),» 2018 IEEE 15th International Symposium on Biomedical Imaging (ISBI 2018), pp. 168-172, 2018.
Challenge 2018, ISIC 2018: Skin Lesion Analysis Towards Melanoma Detection, 20 Diciembre 2018. [En línea]. Available: https://challenge2018.isic-archive.com/.
Developer I., 2018.«IBM Developer,» Redes neuronales convolucionales, 17 Diciembre [En línea]. Available: https://www.ibm.com/developerworks/ssa/library/cc-convolutional-neural-network-vision-recognition/index.html. [Último acceso: 23 Julio 2019].
Ebenezer J. P. y J. C. Rajapakse, 2018. «Automatic segmentation of skin lesions using deep learning,» Cornell University,
Goyal M. y J. C. Rajapakse, «Deep neural network ensemble by data augmentation and bagging for skin lesion classification,» 15 Julio 2018.
Kitada S. y H. Iyatomi, «Skin lesion classification with ensemble of squeeze-and-excitation networks and semi-supervised learning,» 2018.
Kechyn G, «Automatic lesion boundary detection in dermoscopy,» Cornell University, 2018.
Organización Mundial de la Salud. 2018 Cáncer.. [En línea]. Available: https://www.who.int/es/news-room/fact-sheets/detail/cancer. [Último acceso: 23 Julio 2019].
Lee Y. C., S.-H. Jung y H.-H. Won, «WonDerM. 2018. Skin lesion classification with fine-tuned neural networks,»
Li K. M y E. C. Li, 2018. «Skin Lesion Analysis Towards Melanoma Detection via End-to-end Deep Learning of Convolutional Neural Networks,»
Lu, Q. H. T. T. H. Nguyen, T. T. N. Nguyen, T. Z. Nguyen y T. Dat Tô, «Skin Lesion Analysis Towards Melanoma Detection for ISIC 2018,» HAL, 2018.
Motsch, A. S. Motsch y T. Saguet, 2018. Lesion segmentation using U-Net network,» Cornell University, « p. 4,
Pierluigi, C. A. Cuna y C. Distante, «A Dense CNN approach for skin lesion classification,» 2018Shapiro R. H. a. L, 1992.., Computer and rovot vision, New York: Publishing Co
Ray S., 2018. «Disease Classification within Dermascopic Images Using features extracted by ResNet50 and classification through Deep Forest,» Corell University,
Tschandl P., C. Rosendahl y H. Kittler, «The HAM10000 dataset, a large collection of multi-source dermatoscopic images of common pigmented skin lesions,» Scientific Data, nº 180161, 2018.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2021 Roberto Porto Solano, José Molina , Fernando Dávila Aguilar , Diego Noriega Izquierdo
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
