Análisis comparativo de la clasificación del melanoma utilizando técnicas de aprendizaje profundo en imágenes de dermatoscopia
Autores: Jeyakumar, Jacinth Poornima; Jude, Anitha; Priya Henry, Asha Gnana; Hemanth, Jude
Idioma: Inglés
Editor: MDPI
Año: 2022
Acceso abierto
Artículo científico
2022
Análisis comparativo de la clasificación del melanoma utilizando técnicas de aprendizaje profundo en imágenes de dermatoscopia
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Eléctrica y Electrónica
Palabras clave
Melanoma
Melanocitos
Cáncer
Detección
Sistema de diagnóstico
Arquitecturas
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 24
Citaciones: Sin citaciones
El melanoma se desarrolla debido a trastornos en los melanocitos de las células de la piel. Cada color de piel humana está definido por la melanina, que es producida por los melanocitos. En todo el mundo, los intervalos de probabilidad de melanoma son de 70 años en adelante. El melanoma es una forma letal de cáncer y puede propagarse fácilmente a otras partes del cuerpo. Es necesario detectarlo y tratarlo tempranamente para evitar la mortalidad. El diagnóstico temprano puede realizarse mediante un sistema de diagnóstico automatizado para ayudar a los clínicos en poblaciones más grandes. En el sistema propuesto, las imágenes de entrada se toman de Med Node, PH2 y HAM10000 Kaggle y se proporcionan a arquitecturas pre-entrenadas como AlexNet, Vgg-16, ResNet50, Inception V3 y GoogleNet. El rendimiento se analiza utilizando precisión (AC), sensibilidad (SE), especificidad (SP), valor predictivo positivo (PPV) y valor predictivo negativo (NPV). De todas las arquitecturas, InceptionV3 obtuvo la mejor precisión del 97,1%, 97,2% y 96,2% para los conjuntos de datos de MedNode, PH2 y HAM10000 Kaggle, respectivamente, en la identificación del melanoma.
Descripción
El melanoma se desarrolla debido a trastornos en los melanocitos de las células de la piel. Cada color de piel humana está definido por la melanina, que es producida por los melanocitos. En todo el mundo, los intervalos de probabilidad de melanoma son de 70 años en adelante. El melanoma es una forma letal de cáncer y puede propagarse fácilmente a otras partes del cuerpo. Es necesario detectarlo y tratarlo tempranamente para evitar la mortalidad. El diagnóstico temprano puede realizarse mediante un sistema de diagnóstico automatizado para ayudar a los clínicos en poblaciones más grandes. En el sistema propuesto, las imágenes de entrada se toman de Med Node, PH2 y HAM10000 Kaggle y se proporcionan a arquitecturas pre-entrenadas como AlexNet, Vgg-16, ResNet50, Inception V3 y GoogleNet. El rendimiento se analiza utilizando precisión (AC), sensibilidad (SE), especificidad (SP), valor predictivo positivo (PPV) y valor predictivo negativo (NPV). De todas las arquitecturas, InceptionV3 obtuvo la mejor precisión del 97,1%, 97,2% y 96,2% para los conjuntos de datos de MedNode, PH2 y HAM10000 Kaggle, respectivamente, en la identificación del melanoma.