Cad-skin: un marco híbrido de red neuronal convolucional-autoencoder para la detección y clasificación precisa de lesiones cutáneas y cáncer
Autores: Khan, Abdullah; Sajid, Muhammad Zaheer; Khan, Nauman Ali; Youssef, Ayman; Abbas, Qaisar
Idioma: Inglés
Editor: MDPI
Año: 2025
Acceso abierto
Artículo científico
2025
Cad-skin: un marco híbrido de red neuronal convolucional-autoencoder para la detección y clasificación precisa de lesiones cutáneas y cáncer
Categoría
Ingeniería y Tecnología
Subcategoría
Bioingeniería
Palabras clave
Cáncer de piel
Algoritmos de aprendizaje profundo
Sistema CAD-Skin
Eficiencia de clasificación
Aumento de datos
Máquina de Vectores de Soporte Cuántico
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 37
Citaciones: Sin citaciones
El cáncer de piel es una clase de trastorno definido por el crecimiento de células anormales en el cuerpo. Identificar y diagnosticar con precisión las lesiones cutáneas es bastante difícil porque las malignidades cutáneas comparten muchas características comunes y una amplia gama de morfologías. Para enfrentar este desafío, se han propuesto algoritmos de aprendizaje profundo. Los algoritmos de aprendizaje profundo han demostrado una eficacia diagnóstica comparable a la de los dermatólogos en la disciplina del diagnóstico de lesiones cutáneas basado en imágenes en artículos de investigación recientes. Este trabajo propone un nuevo algoritmo de aprendizaje profundo para detectar cáncer de piel. El sistema CAD-Skin propuesto detecta y clasifica lesiones cutáneas utilizando redes neuronales convolucionales profundas y autoencoders para mejorar la eficiencia de clasificación del cáncer de piel. El sistema CAD-Skin fue diseñado y desarrollado mediante el uso del enfoque de preprocesamiento moderno, que es una combinación de retinex a múltiples escalas, corrección gamma, enmascaramiento no nítido y ecualización de histograma adaptativa limitada por contraste. En este trabajo, hemos implementado una estrategia de aumento de datos para tratar con conjuntos de datos desequilibrados. Este paso mejora la resistencia del modelo a diferentes condiciones de piel pigmentada y evita el sobreajuste. Además, se integra un algoritmo de Máquina de Vectores de Soporte Cuántico (QSVM) para la clasificación en la etapa final. Nuestro sistema CAD-Skin propuesto mejora el reconocimiento de categorías para diferentes severidades de enfermedades de la piel, incluyendo queratosis actínica, melanoma maligno y otros cánceres de piel. El sistema propuesto fue probado utilizando los conjuntos de datos PAD-UFES-20-Modified, ISIC-2018 e ISIC-2019. El sistema alcanzó tasas de precisión del 98%, 99% y 99%, respectivamente, lo cual es superior al estado del arte en la literatura. La precisión mínima lograda para ciertas enfermedades cutáneas alcanzó el 97,43%. Nuestro estudio de investigación demuestra que el sistema CAD-Skin propuesto proporciona un diagnóstico preciso y una detección oportuna de anomalías cutáneas, diversificando las opciones para los médicos y mejorando la satisfacción del paciente durante la práctica médica.
Descripción
El cáncer de piel es una clase de trastorno definido por el crecimiento de células anormales en el cuerpo. Identificar y diagnosticar con precisión las lesiones cutáneas es bastante difícil porque las malignidades cutáneas comparten muchas características comunes y una amplia gama de morfologías. Para enfrentar este desafío, se han propuesto algoritmos de aprendizaje profundo. Los algoritmos de aprendizaje profundo han demostrado una eficacia diagnóstica comparable a la de los dermatólogos en la disciplina del diagnóstico de lesiones cutáneas basado en imágenes en artículos de investigación recientes. Este trabajo propone un nuevo algoritmo de aprendizaje profundo para detectar cáncer de piel. El sistema CAD-Skin propuesto detecta y clasifica lesiones cutáneas utilizando redes neuronales convolucionales profundas y autoencoders para mejorar la eficiencia de clasificación del cáncer de piel. El sistema CAD-Skin fue diseñado y desarrollado mediante el uso del enfoque de preprocesamiento moderno, que es una combinación de retinex a múltiples escalas, corrección gamma, enmascaramiento no nítido y ecualización de histograma adaptativa limitada por contraste. En este trabajo, hemos implementado una estrategia de aumento de datos para tratar con conjuntos de datos desequilibrados. Este paso mejora la resistencia del modelo a diferentes condiciones de piel pigmentada y evita el sobreajuste. Además, se integra un algoritmo de Máquina de Vectores de Soporte Cuántico (QSVM) para la clasificación en la etapa final. Nuestro sistema CAD-Skin propuesto mejora el reconocimiento de categorías para diferentes severidades de enfermedades de la piel, incluyendo queratosis actínica, melanoma maligno y otros cánceres de piel. El sistema propuesto fue probado utilizando los conjuntos de datos PAD-UFES-20-Modified, ISIC-2018 e ISIC-2019. El sistema alcanzó tasas de precisión del 98%, 99% y 99%, respectivamente, lo cual es superior al estado del arte en la literatura. La precisión mínima lograda para ciertas enfermedades cutáneas alcanzó el 97,43%. Nuestro estudio de investigación demuestra que el sistema CAD-Skin propuesto proporciona un diagnóstico preciso y una detección oportuna de anomalías cutáneas, diversificando las opciones para los médicos y mejorando la satisfacción del paciente durante la práctica médica.