Resumen

En Estados Unidos, cada año se diagnostican casi 5,4 millones de personas con cáncer de piel. El melanoma es uno de los tipos de cáncer de piel más peligrosos, y su tasa de supervivencia es del 5%. El desarrollo del cáncer de piel ha aumentado en los últimos años. La identificación temprana del cáncer de piel puede ayudar a reducir la tasa de mortalidad humana. La dermatoscopia es una tecnología utilizada para la obtención de imágenes de la piel. Sin embargo, el proceso de inspección manual consume más tiempo y requiere mucho coste. El reciente desarrollo en el área del aprendizaje profundo mostró un rendimiento significativo para las tareas de clasificación. En este trabajo de investigación, se propone un nuevo marco automatizado para la clasificación de lesiones cutáneas multiclase. El marco propuesto consiste en una serie de pasos. En el primer paso, se realiza el aumento. Para el proceso de aumento, se realizan tres operaciones: rotación de 90, giro a la derecha-izquierda y giro arriba y abajo. En el segundo paso, se ajustan los modelos profundos. Se opta por dos modelos, como ResNet-50 y ResNet-101, y se actualizan sus capas. En el tercer paso, se aplica el aprendizaje de transferencia para entrenar ambos modelos profundos ajustados en conjuntos de datos aumentados. En la etapa siguiente, se extraen las características y se realiza la fusión utilizando un enfoque modificado basado en series. Por último, el vector fusionado se mejora aún más seleccionando las mejores características mediante el enfoque SVR controlado por la asimetría. Las características finales seleccionadas se clasifican mediante varios algoritmos de aprendizaje automático y se seleccionan en función del valor de precisión. En el proceso experimental, se utiliza el conjunto de datos HAM10000 aumentado y se consigue una precisión del 91,7%. Además, el rendimiento del conjunto de datos aumentado es mejor en comparación con el conjunto de datos original desequilibrado. Además, el método propuesto se compara con algunos estudios recientes y muestra un rendimiento mejorado.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:cáncer de piel, tipo de piel, tasa de mortalidad humana, clasificación de lesiones cutáneas, enfoque de svr controlado, conjunto de datos original desequilibrado, modelo profundo ajustado, adquisición de piel, proceso de inspección manual, nuevo marco automatizado
• Keywords:skin cancer, type of skin, human mortality rate, skin lesions classification, controlled svr approach, original imbalanced dataset, tuned deep model, acquisition of skin, manual inspection process, new automated framework