Software Para la Detección de Melanoma Impresión: Mediante

puede observar el número de entradas de la red neuronal que tiene valor de 35 y el número de salida que tiene el valor de 2. El número 35 es el número de valores en un vector unitario, que resulta de una matriz bidimensional 7x5 donde se guardan los valores binarios derivados de la transformación de la imagen en formato RGB a formato binario.


Texto en PDF


Impresión:
Software Para
la
Detección
de
Melanoma
Mediante
el
Análisis
de
Lunares
U
sando
R
econocimiento
de
Imágenes
y
Redes
N
euronales Artificiales
Cristofer I. Marín Vergara | Dr. Germán Harvey Alférez Salinas | Global Software Lab, Facultad de Ingeniería y Tecnología
Dra. Verenice González Mejía | Departamento de Apoyo a la Investigación de Ciencias en Salud | Facultad de Ciencias de la Sal
ud
Universidad de
Montemorelos | Montemorelos, Nuevo León, México
II.
Problema
Un
lunar
es
la
acumulación
benigna
de
células
pigmentarias
.
Pueden
ser
de
tamaño,
forma
y
color
variables,
en
función
de
su
localización
y
de
su
modo
de
aparición
.
Pueden
estar
aislados
o
en
grupos
.
El
melanoma
es
un
cáncer
de
piel
que
se
desarrolla
a
expensas
de
los
melanocitos
de
la
piel
.
Surge
espontáneamente
o
sobre
un
lunar
que
se
modifica
.
Su
diagnóstico
precoz
hace
posible
su
curación
pero
en
una
fase
más
tardía
puede
extenderse
(por
metástasis)
a
otros
órganos
del
cuerpo,
lo
que
disminuye
mucho
las
posibilidades
de
curación
.
Cabe
destacar
que
el
melanoma
es
el
causante
de
la
mayoría
de
las
muertes
relacionadas
con
el
cáncer
de
piel
.
Cuando
una
persona
tiene
muchos
nevus
o
lunares,
todos
ellos
se
parecen
entre

.
Si
se
observa
la
presencia
de
uno
que
tenga
un
aspecto
diferente
(véase
Figura
1
),
sobre
todo
en
color
o
forma,
se
convierte
en
una
lesión
sospechosa
que
precisa
ser
valorada
por
un
dermatólogo
[
1
]
.
Los
dermatólogos
y
médicos
generales
constantemente
se
enfrentan
al
análisis
de
lunares
para
detectar
si
existe
indicio
de
cáncer
[
2
]
.
IV.
Hipótesis
Un
software
automatizado
y
económico
basado
en
reconocimiento
de
imágenes
y
en
redes
neuronales
artificiales
puede
servir
para
que
médicos
puedan
detectar
melanomas
de
una
forma
eficiente
y
no
invasiva
.
V.
Descripción general del proyecto
Construir
software
que
analice
fotografías
de
lunares
y
realice
la
detección
de
“melanomas”
usando
procesamiento
de
imágenes
y
redes
neuronales
artificiales
.
Los
parámetros
que
el
software
utiliza
en
esta
primera
etapa
para
lograr
la
detección
es
lo
que
se
conoce
en
el
área
de
la
dermatología
como
“abecedario
de
lesiones”
(véase
Figura
4
)
.
El
software
en
esta
primera
etapa
omite
los
parámetros
de
“color
y
evolución”
del
“abecedario
de
lesiones”
pues
las
fotografías
se
manejan
en
dos
dimensiones
y
se
procesan
en
escala
de
grises
.
Mediante
este
software,
médicos
generales
podrán
llevar
a
cabo
detecciones
tempranas
de
cáncer
en
lunares
de
una
manera
rápida,
sencilla,
automatizada,
no
invasiva
y
de
bajo
costo
.
De
esta
forma
se
logra
una
detección
temprana
de
melanoma
y
se
aumenta
la
posibilidad
de
tratamiento
y
eliminación
del
cáncer
.
En
la
Figura
5
se
muestra
la
interfaz
gráfica
de
la
herramienta
“Melanoma
Detector
Trainer”
la
cual
permite
cargar
imágenes
lunares,
procesar
estas
imágenes
y
entrenar
la
red
neuronal
artificial
.
La
Figura
6
muestra
la
interfaz
de
la
herramienta
“Melanoma
Detector”
que
contiene
la
red
neuornal
artificial
entrenada
.
Esta
herramienta
solo
requiere
que
la
imagen
con
el
lunar
sea
cargada
.
Entonces
la
herramienta
realiza
el
procesamiento
de
la
imagen
y
detecta
si
hay
indicio
de
cáncer
de
piel
tipo
melanoma
.
VI.
Delimitaciones y Limitaciones
VIII.
Metodología
IX.
Datos / Observaciones
Construir
un
software
sencillo,
rápido,
automatizado,
no
invasivo
y
de
bajo
costo,
que
busque
detectar
cáncer
en
la
piel
mediante
el
análisis
de
lunares,
usando
reconocimiento
de
imágenes
y
redes
neuronales
artificiales,
con
el
propósito
que
posteriormente
pueda
ser
utilizado
para
la
detección
de
melanomas
.
X.
Resultados
A
través
de
la
Figura
8
se
observa
el
rendimiento
que
alcanzó
la
red
neuronal
artificial
.
El
mejor
desempeño
se
alcanzó
en
la
época
95
.
La
función
de
desempeño
llega
a
un
mínimo
asintótico
después
de
95
iteraciones,
mostrando
que
la
red
converge
rápidamente
a
un
valor
óptimo,
disminuyendo
así
su
valor
de
error
total
promedio
.
XI.
Conclusión
Las
herramientas
“Melanoma
Detector
Trainer”
y
“Melanoma
Detector”
muestran
gran
potencial
en
la
detección
de
melanoma
en
fotografías
digitales
e
imágenes
de
lunares,
de
acuerdo
a
los
parámetros
de
asimetría,
borde
y
diámetro
del
abecedario
de
lesiones
de
dermatología
.
El
entrenamiento
de
la
red
neuronal
artificial
mejora
respecto
al
número
de
imágenes
con
el
que
se
entrena
.
Hasta
el
momento
no
se
tiene
la
cantidad
adecuada
de
imágenes
para
entrenar
la
red
y
mucho
menos
realizar
el
test
en
cada
herramienta
.
No
obstante
los
porcentajes
de
aproximidad
son
bastante
altos
.
Bibliografía
XII.
Agradecimientos
Ante
todo
agradezco
a
Dios
.
Él
me
dio
fuerzas,
inteligencia
y
sabiduría
para
tomar
decisiones
correctas
en
el
desarrollo
de
la
investigación
y
la
herramienta
.
También
le
agradezco
al
Dr
.
Harvey
Alférez
asesor
del
proyecto,
y
al
Ing
.
Gerardo
Romo
quienes
me
ayudaron
a
no
perder
el
enfoque
de
la
investigación
.
Cabe
destacar
que
el
Profesor
Raúl
Rodríguez,
nos
ayudó
en
el
análisis
de
los
datos
.
Además,
agradezco
a
la
Dra
.
Verenice
González,
mi
segunda
asesora,
y
a
la
Dra
.
Jency
Córdova
quienes
han
aportado
con
sus
conocimientos
en
el
área
médica
.
I.
Introducción
¿
El
procesamiento
de
imágenes
en
fotografías
de
cáncer
en
la
piel
de
melanomas
junto
con
su
análisis
mediante
redes
neuronales
artificiales
podría
servir
para
la
detección
de
cáncer
de
piel
(melanoma)
?
1.
Venereología, A. E. (20 de Agosto de 2008).
EURO MELANOMA.
Obtenido de
http://www.dermatologia.cat/pdf/poster%20cientifico%202008.pdf
2.
Tosca, A., A.
Kokolakis
, et al. (2013). "
Development
of a
three
-
dimensional
surface
imaging
system
for
melanocytic
skin
lesion
evaluation
."
J
Biomed
Opt
18
(1): 016009
-
016009.
3.
Taouil
, K.,
Chtourou
, Z., &
Romdhane
, N. B. (2010). A
robust
system
for
melanoma diagnosis
using
heterogeneous
image
databases
.
Journal
of
Biomedical
Science
and
Engineering
,
3
(06), 576
.
4.
Venereología, A. E. (20 de Agosto de 2008).
EURO MELANOMA.
Obtenido de
http://
www.dermatologia.cat/pdf/poster%20cientifico%202008.pdf
5.
Obtenido de
http
://www.melafind.com/
6.
Obtenido de
https://
c1.staticflickr.com/3/2256/2417529142_3a44e1e9e8_z.jpg?zz=1
7.
Obtenido
de
http://
www.farmaciaglorieta.com/blog/wp
-
content/uploads/2013/09/lunar.jpg
Figura 1. Lunar atípico
III.
Pregunta
1.
A
médicos
generales
en
zonas
rurales
y
remotas
se
les
dificulta
llevar
a
cabo
detecciones
tempranas
de
melanoma
en
lunares
[
3
]
.
2.
El
análisis
y
el
diagnóstico
de
melanoma
se
hacen
mayormente
de
manera
visual
.
La
vista
se
cansa
después
de
cierto
tiempo
[
2
]
.
3.
Algunos
de
los
equipos
tecnológicos
que
existen
para
la
detección
de
cáncer
en
la
piel
ocupan
un
técnico
para
su
instalación
y
uso,
y
no
son
fáciles
de
usar
(véase
Figura
3
)
.
4.
Las
aproximaciones
de
diagnóstico
de
melanoma
tienden
a
ser
invasivas
y
no
automatizadas
.
Figura 2.
Médicos
en
zona rural realizando brigada médica
[6]
Figura 4.Regla del ABCDE o abecedario de lecciones [7]
VII.
Objetivo
La
red
neuronal
artificial
fue
entrenada
con
40
imágenes
de
lunares,
de
las
cuales
20
presentaban
melanoma
y
20
eran
lunares
sanos
.
Para
realizar
la
detección
de
melanoma
se
utilizaron
24
fotografías
de
lunares
de
los
cuales
12
son
melanoma
y
12
son
lunares
normales
.
Las
fotografías
utilizadas
no
tienen
ruido
para
evitar
resultados
erróneos
.
Figura 3.
MelaFind
,
herramienta
para el diagnóstico de cáncer de piel [5]
1.
En
esta
etapa
solo
se
trabajará
con
el
“abecedario
de
lesiones”
como
parámetros
para
la
detección
.
2.
Esta
investigación
omitirá
dos
variables
del
“abecedarios
de
lesiones”
:
Coloración
y
Evolución
.
Esto
se
debe
a
que
las
imágenes
son
en
dos
dimensiones
y
se
procesan
en
escala
de
grises
.
3.
Se
analizarán
solo
imágenes
obtenidas
de
una
base
de
datos
de
imágenes
médicas
.
4.
Se
trabajará
únicamente
con
el
cáncer
de
piel
tipo
melanoma
.
5.
Las
fotografías
digitales
e
imágenes
de
lunares
deberán
tener
buena
luminosidad
y
el
lunar
deberá
identificarse
con
facilidad
;
es
decir
no
teniendo
bellos
o
cosa
alguna
que
le
aumente
el
ruido
.
1.
El
cáncer
de
piel
en
lunares
es
una
enfermedad
variante
debido
a
las
mutaciones
constantes
que
esta
sufre
.
2.
No
se
cuenta
con
el
acceso
a
una
base
de
imágenes
para
realizar
pruebas
.
Delimitaciones
Limitaciones
Figura
5.
Software
para entrenar la red neuronal artificial con un grupo de
fotografías de
lunares
Figura 6. Software para la detección de melanoma en lunares con entrenamiento previo
Figura 8. Gráfica del rendimiento de la red neuronal artificial
El
“
Melanoma
Detector
Trainer
”
es
una
herramienta
para
el
entrenamiento
de
una
red
neuronal
artificial
con
base
en
fotografías
de
lunares
.
El
“
Melanoma
Detector”
es
una
herramienta
sencilla,
automatizada
y
de
bajo
costo
que
puede
usarse
en
la
detección
de
melanoma
en
lunares
.
A
diferencia
del
“Melanoma
Detector
Trainer”
esta
herramienta
ha
sido
previamente
entrenada
y
está
lista
para
analizar
diferentes
tipos
de
lunares
en
imágenes
o
fotografías
digitales
.
Búsqueda de fotografías de
lunares con melanoma y
lunares sin melanoma
Paso 1
Se carga la imagen
Paso 2
Se selecciona el lunar
Paso 3
Se recorta la parte de la
imagen seleccionada
Paso 4
Se convierte la
imagen de formato
RGB a
formato
binario
Paso 5
Se entrena la red neuronal
artificial con imágenes de
lunares con melanoma y
sin melanoma.
Paso 6
Paso 7
Se analiza la imagen,
repitiendo pasos 2
-
5,
y luego se analiza.
Red neuronal
artificial entrenada y
que reconoce la
presencia de
melanoma en
lunares
Paso
8
Figura 7.
Estructura de la red neuronal
artificial
La
red
neuronal
artificial
de
este
software
gráficamente
tiene
la
estructura
de
la
Figura
7
.
Se
puede
observar
el
número
de
entradas
de
la
red
neuronal
que
tiene
valor
de
35
y
el
número
de
salida
que
tiene
el
valor
de
2
.
El
número
35
es
el
número
de
valores
en
un
vector
unitario,
que
resulta
de
una
matriz
bidimensional
7
x
5
donde
se
guardan
los
valores
binarios
derivados
de
la
transformación
de
la
imagen
en
formato
RGB
a
formato
binario
.
El
vector
unitario
se
utiliza
para
entrenar
la
red
neuronal
artificial
.
Se analiza la
imagen
Paso 7
Búsqueda de fotografías de
lunares con melanoma y
lunares sin melanoma
Paso 1
Se carga la imagen
Paso 2
Se selecciona el lunar
Paso 3
Se recorta la parte de la
imagen seleccionada
Paso 4
Se convierte la
imagen de formato
RGB a
formato
binario
Paso 5
Paso 6
Red neuronal artificial
entrenada y que reconoce
la presencia de
melanoma en lunares
86.9148
61.3399
84.3059
99.1448
98.0267
0
20
40
60
80
100
120
-10
0
10
20
30
40
50
Nivel de confianza
Número de imágenes en el entrenamiento
Nivel de Confianza
Lineal (Nivel de
Confianza)
Figura
9. Gráfica de porcentaje
de detección de acuerdo
al número
de imágenes en el entrenamiento
La
Figura
9
muestra
el
nivel
de
confianza
en
la
detección
de
melanoma
o
no
melanoma
de
acuerdo
al
número
de
imágenes
de
entrada
al
momento
de
entrenar
la
red
neuronal
artificial
.
Cada
entrenamiento
es
diferente
debido
a
la
auto
organización
y
flexibilidad
de
la
red
neuronal
artificial
.

Documentos PDF asociados:

Software Para la Detección de Melanoma Impresión: Mediante ...
Análisis de imágenes de mamografía para la detección de ...
Guías clínicas para la detección, prevención, diagnóstico ...
Información para los padres y tutores: Prueba de detección ...
PREPARANDOSE PARA LA NUEVA CIVILIZACIÓN MEDIANTE LA LLAMA ...
Siemens PLM Software Online Software Trial Terms of Use ...
SOFTWARE 1. Sistema Operativo. Software de Aplicación.
Software para análisis de datos cualitativo, gestión y ...
Caracterización epidemiológica de melanoma cutáneo en ...
The ABCDE’s of Melanoma and Skin Self-Exam
1. - Software Para Colegios - Programas para Colegios
Impresión de fax de página completa
Materiales de impresión de uso estomatológico Dental ...
REVISIÓN BIBLIOGRÁFICA Materiales y técnicas de impresión ...
Un fósil es un resto o impresión de un organismo que vvii ...
DOCUMENTO SOBRE BIOÉTICA Y EDICIÓN Impresión: GENÓMICA EN ...
UNIDAD VIII TÉCNICAS Y MATERIALES DE IMPRESIÓN C.D. Luis ...
Software libre para una sociedad libre - gnu.org
ABRIL: MES NACIONAL DE LA DETECCIÓN DE CÁNCER
Detección y Diagnóstico de ENFERMEDADES HIPERTENSIVAS del ...
NEUROPSICOLOGÍA INFANTIL DEL DESARROLLO: DETECCIÓN E ...
Mediante el espejo de obsidiana - getty.edu
DETECCIÓN DE FALLAS EN PIEZAS FUNDIDAS USANDO UNA ...
Detección precoz de la dislexia y enfoque terapéutico
Los juegos en la detección del abuso sexual infantil
HOJA INFORMATIVA DE LAS PRUEBAS DE DETECCIÓN DE CÁNCER
DETECCIÓN TEMPRANA: FISIOLOGÍA DE LA MAMA Y EXPLORACIÓN ...
DETECCIÓN EN EL MERCADO TURCO DE UNIDADES FALSIFICADAS DEL ...
Estudio del espacio subacromial mediante incidencia ...
SOLUCION DE SISTEMAS DE ECUACIONES LINEALES MEDIANTE EL ...
Predicción de intubación difícil mediante escalas de ...
Caracterización de tumores quísticos pancreáticos mediante ...
Introduccion a la termodinamica estadistica mediante problem
Pruebas clínicas mediante diapasones: Una excelente ...
EL ARTE DE GANAR MEDIANTE LA (IN)COMUNICACIÓN POLÍTICA
Optimización del proceso de sacos de papel mediante la ...
Esperando a Gaia. Componer el mundo com n mediante las ...
OBTENCIÓN DE SANGRE MEDIANTE PUNCIÓN VENOSA
Tratamiento del hombro doloroso mediante terapia manual
How to use your - Astrology Software