REVISTA DE INGENIERIA DYNA

Palabras clave:

skin cancer, CNN models, HAM10000, classification, dataset

Tipo de artículo:

ARTICULO DE INVESTIGACION / RESEARCH ARTICLE

Sección:

ARTICULOS DE INVESTIGACION / RESEARCH ARTICLES

La detección temprana del cáncer de piel es muy importante, ya que algunos tipos, como el melanoma, son peligrosos e incluso pueden causar la muerte si no se tratan de forma adecuada y temprana. En este sentido, el aprendizaje profundo se utiliza ampliamente para implementar sistemas no invasivos de diagnóstico de cáncer de piel basados en el análisis de imágenes. En este trabajo, se presenta un modelo, que es una derivación de la arquitectura Visual Geometry Group que se basa en un modelo de 16 capas de profundidad (VGG16), para implementar un clasificador de queratosis benigna (bkl), nevos melanocítico (nv) y melanoma (mel). Además, se demuestra que utilizando un conjunto de datos equilibrado se puede alcanzar una precisión de clasificación media del 79,94% para los tres tipos lesiones pigmentadas de piel. Además, se presenta que esta precisión es bastante competitiva en comparación cuando el mismo clasificador de lesiones de piel se implementa utilizando los modelos preentrenados VGG16, ResNet50v2 e InceptionV3, con los que se obtuvo una precisión promedio de 78,32%, 79,40% y 81,03%, respectivamente, bajo las mismas condiciones. Adicionalmente, se describe que el modelo propuesto es más ligero comparado con los modelos pre-entrenados mencionados, debido a que requiere de 1.4 millones de parámetros entrenables. Finalmente, se muestra que esta característica contribuye al tiempo de procesamiento computacional requerido para su la implementación, entrenamiento y evaluación del clasificador cuando se utiliza el modelo propuesto. Con base a estos resultados numéricos, se demuestra que el modelo propuesto es competitivo en términos del número requerido de parámetros entrenables y del tiempo total de procesamiento en comparación con el requerido por los modelos preentrenados mencionados sin penalizar la métrica de clasificación de las lesiones de piel.