Video Experimental Relacionado
Updated: Sep 10, 2025
09:37
Combining Reflectance Confocal Microscopy with Optical Coherence Tomography for Noninvasive Diagnosis of Skin Cancers via Image Acquisition
Published on: August 18, 2022
2.5K
Un marco de aprendizaje profundo para el diagnóstico temprano automatizado y la clasificación de lesiones de cáncer
Alaa S Al-Waisy1, Shumoos Al-Fahdawi2, Mohammed I Khalaf3
1Electronic Computer Center, University of Anbar, Ramadi, 31001, Anbar, Iraq. alaa.alwaisy@uoanbar.edu.iq.
Scientific reports
|August 25, 2025
Resumen
Este estudio presenta Skin-DeepNet, un marco de aprendizaje profundo para el diagnóstico temprano del cáncer de piel. Alcanza una alta precisión en la clasificación de lesiones cutáneas a partir de imágenes de dermoscopia, ayudando a los médicos en el tratamiento oportuno.
Área de la Ciencia:
- Dermatología
- Inteligencia artificial
- Imágenes médicas
Sus antecedentes:
- El diagnóstico del cáncer de piel se basa en la inspección visual, que puede ser difícil debido a las sutiles diferencias entre las lesiones benignas y malignas.
- El diagnóstico preciso y oportuno es fundamental para el tratamiento eficaz del cáncer de piel.
- Los sistemas automatizados pueden ayudar a los médicos mejorando la precisión y la eficiencia del diagnóstico.
Objetivo del estudio:
- Desarrollar y evaluar Skin-DeepNet, un nuevo marco de aprendizaje profundo para el diagnóstico temprano automatizado y la clasificación de lesiones de cáncer de piel.
- Mejorar la precisión del diagnóstico del cáncer de piel utilizando imágenes de dermoscopia a través de técnicas avanzadas de procesamiento de imágenes y aprendizaje automático.
- Evaluar el rendimiento de Skin-DeepNet con respecto a los sistemas de última generación existentes en conjuntos de datos de referencia.
Principales métodos:
- Skin-DeepNet emplea un procesamiento previo de imágenes en dos pasos para mejorar el contraste.
- Se logra una segmentación robusta de las lesiones cutáneas utilizando los algoritmos Mask R-CNN y GrabCut.
- Extracción de características duales a través de redes de alta resolución (HRNet) y bloques de atención, seguidos de redes de creencias profundas (DBN) y fusión de decisiones (impulso, apilamiento).
Principales resultados:
- Skin-DeepNet logró una precisión de segmentación casi perfecta (IOU hasta el 99,93%).
- En el conjunto de datos ISIC 2019, Skin-DeepNet logró una precisión del 99,65%, una precisión del 99,51% y un AUC del 99,94%.
- En el conjunto de datos HAM1000, Skin-DeepNet demostró una precisión del 100%, un 99,92% de precisión y un 99,97% de AUC, superando a los métodos más avanzados.
Conclusiones:
- Skin-DeepNet exhibe una excelente competencia en la clasificación de lesiones cutáneas a partir de imágenes de dermoscopia.
- El marco desarrollado ayuda significativamente a los médicos en el diagnóstico precoz del cáncer de piel.
- El sistema muestra potencial de integración en entornos clínicos para mejorar los resultados de los pacientes.
