Identificación preliminar de lesiones cutáneas mediante técnicas de aprendizaje computacional eficientes

Preliminary Identification of Skin Lesions using Efficient Computational Learning Techniques

Contenido principal del artículo

Carlos Vicente Niño-Rondón
Diego Andrés Castellano-Carvajal
Byron Medina-Delgado
Sergio Alexander Castro-Casadiego
Dinael Guerra-Ibarra

Resumen

El aprendizaje automático (ML) es uno de los campos de la inteligencia artificial que ofrece
algoritmos para predecir a partir de muestras la detección efectiva de lesiones cutáneas causadas por el
cáncer de piel. En este trabajo se presenta la identificación preliminar de lesiones cutáneas utilizando
algoritmos optimizados para la extracción de características de textura mediante GLCM y aprendizaje
basado en características (LightGBM, SVM y HAAR Cascade) como etapa inicial para una herramienta de
diagnóstico. El conjunto de imágenes de lesiones cutáneas HAM10000, el lenguaje de programación
Python y las bibliotecas basadas en código abierto se utilizan para procesar las imágenes, extraer las
características y entrenar los modelos de aprendizaje, determinar el rendimiento y la tasa de aciertos de los
modelos. Según los resultados obtenidos, el clasificador LightGBM fue el que requirió el menor tiempo de
aprendizaje, un uso reducido de la CPU y una tasa de acierto del 90 %.

Palabras clave:

Descargas

Los datos de descargas todavía no están disponibles.

Detalles del artículo

Referencias

E. R. Parker, “The influence of climate change on skin cancer incidence – A review

of the evidence,” Int. J. Women’s Dermatology, vol. 7, no. 1, pp. 17–27, Jan. 2021,

doi: 10.1016/J.IJWD.2020.07.003.

C. Magalhaes, J. M. R. S. Tavares, J. Mendes, and R. Vardasca, “Comparison of

machine learning strategies for infrared thermography of skin cancer,” Biomed.

Signal Process. Control, vol. 69, pp. 1–10, Aug. 2021, doi:

1016/j.bspc.2021.102872.

T. G. Chandra, A. M. T. Nasution, and I. C. Setiadi, “Melanoma and nevus

classification based on asymmetry, border, color, and GLCM texture parameters

using deep learning algorithm,” in AIP Conference Proceedings, Dec. 2019, vol.

, no. 1, pp. 1–6, doi: 10.1063/1.5139389.

S. A. A. Ahmed, B. Yanikoglu, O. Goksu, and E. Aptoula, “Skin Lesion

Classification with Deep CNN Ensembles,” 2020 28th Signal Process. Commun.

Appl. Conf. SIU 2020 - Proc., Oct. 2020, doi: 10.1109/SIU49456.2020.9302125.

E. Almansour and M. Arfan Jaffar, “Classification of Dermoscopic Skin Cancer

Images Using Color and Hybrid Texture Features,” IJCSNS Int. J. Comput. Sci.

Netw. Secur., vol. 16, no. 4, 2016.

S. Afifi, H. Gholamhosseini, and R. Sinha, “SVM classifier on chip for melanoma

detection,” Proc. Annu. Int. Conf. IEEE Eng. Med. Biol. Soc. EMBS, pp. 270–274,

Sep. 2017, doi: 10.1109/EMBC.2017.8036814.

X. Li, J. Wu, H. Jiang, E. Z. Chen, X. Dong, and R. Rong, “Skin Lesion

Classification Via Combining Deep Learning Features and Clinical Criteria

Representations,” bioRxiv, pp. 1–7, Aug. 2018, doi: 10.1101/382010.

K. Padmavathi and K. Thangadurai, “Implementation of RGB and Grayscale

Images in Plant Leaves Disease Detection – Comparative Study,” Indian J. Sci.

Technol., vol. 9, no. 6, pp. 1–6, Feb. 2016, doi: 10.17485/IJST/2016/V9I6/77739.

M. Kumar, M. Alshehri, R. AlGhamdi, P. Sharma, and V. Deep, “A DE-ANN

Inspired Skin Cancer Detection Approach Using Fuzzy C-Means Clustering,”

Mob. Networks Appl. 2020 254, vol. 25, no. 4, pp. 1319–1329, Jun. 2020, doi:

1007/S11036-020-01550-2.

A. M. Gajbar and A. . Deshpande, “GLCM and Multiclass Support Vector

Machine Based Automatic Detection and Analysis of Types of Cancer and Skin

Allergy,” Int. J. Adv. Res. Electron. Commun. Eng., vol. 4, no. 5, pp. 1477–1488,

J. Díaz Ríos, J. J. Payá Martínez, and M. E. Del Baño Aldedo, “El análisis textural

mediante las matrices de co-ocurrencia (GLCM) sobre la imagen ecográfica del

tendón rotuliano es de utilidad para la detección de cambios histológicos tras un

entrenamiento con plataforma de vibración,” Cult. Cienc. y Deport., vol. 4, no. 11,

pp. 91–102, 2009, Accessed: Jan. 20, 2022. [Online]. Available:

https://dialnet.unirioja.es/servlet/articulo?codigo=3097046&info=resumen&idio

ma=ENG.

J. Zhang, D. Mucs, U. Norinder, and F. Svensson, “LightGBM: An Effective and

Scalable Algorithm for Prediction of Chemical Toxicity-Application to the Tox21

and Mutagenicity Data Sets,” J. Chem. Inf. Model., pp. 1–9, 2019, doi:

1021/ACS.JCIM.9B00633/SUPPL_FILE/CI9B00633_SI_001.PDF.

C. Chen, Q. Zhang, Q. Ma, and B. Yu, “LightGBM-PPI: Predicting protein-protein

interactions through LightGBM with multi-information fusion,” Chemom. Intell.

Lab. Syst., vol. 191, pp. 54–64, Aug. 2019, doi:

1016/J.CHEMOLAB.2019.06.003.

M. Lingaraj, A. Senthilkumar, and J. Ramkumar, “Prediction of Melanoma Skin

Cancer Using Veritable Support Vector Machine,” Ann. Rom. Soc. Cell Biol., vol.

, pp. 2623 – 2636, Apr. 2021, Accessed: Dec. 14, 2021. [Online]. Available:

https://www.annalsofrscb.ro/index.php/journal/article/view/2800.

J. Cervantes, F. Garcia-Lamont, L. Rodríguez-Mazahua, and A. Lopez, “A

comprehensive survey on support vector machine classification: Applications,

challenges and trends,” Neurocomputing, vol. 408, pp. 189–215, Sep. 2020, doi:

1016/J.NEUCOM.2019.10.118.

P. Srinivasan and V. Srinivasna, “A Comprehensive Diagnostic Tool for Skin

Cancer Using a Multifaceted Computer Vision Approach,” 7th Int. Conf. Soft

Comput. Mach. Intell. ISCMI 2020, pp. 213–217, Nov. 2020, doi:

1109/ISCMI51676.2020.9311557.

P. Tschandl, C. Rosendahl, and H. Kittler, “The HAM10000 dataset, a large

collection of multi-source dermatoscopic images of common pigmented skin

lesions,” Sci. Data 2018 51, vol. 5, no. 1, pp. 1–9, Aug. 2018, doi:

1038/sdata.2018.161.

Artículos más leídos del mismo autor/a