Segmentación del cáncer de piel y reconocimiento a partir de imágenes de dermoscopia: un nuevo marco basado en...

Área de la Ciencia:

• Imágenes médicas
• Inteligencia artificial
• Patología computacional

Sus antecedentes:

• El diagnóstico del cáncer de piel es fundamental para reducir las tasas de mortalidad.
• La detección temprana de lesiones cutáneas mejora significativamente los resultados de los pacientes.
• Los modelos de IA existentes se enfrentan a desafíos con conjuntos de datos desequilibrados y formas irregulares de lesiones.

Objetivo del estudio:

• Proponer un marco de aprendizaje profundo totalmente automatizado para una segmentación y clasificación eficientes de las lesiones cutáneas.
• Para abordar las limitaciones de los modelos actuales de IA en el diagnóstico de cáncer de piel.
• Mejorar la precisión y eficacia del análisis dermatológico basado en IA.

Principales métodos:

• Un nuevo marco que combina ResNet20-DeepLabV3+ mejorado para la segmentación y MAKNet100 para la clasificación.
• Arquitectura ResNet20 mejorada con capas convolucionales agrupadas para la extracción de características detalladas.
• El modelo MAKNet100 utiliza la fusión a nivel de red para una clasificación robusta, analizada con GradCAM para su explicabilidad.

Principales resultados:

• El marco logró una alta precisión en múltiples conjuntos de datos: HAM10000 (90,5%), ISIC-2018 (88,9%), ISIC-2019 (84,5%) e ISBI-2020 (96,35%).
• Se registraron puntuaciones excepcionales de dados: 96,69% en HAM10000 y 94,63% en ISIC-2018.
• El modelo demostró una mayor precisión en las tareas de segmentación y clasificación.

Conclusiones:

• El marco de aprendizaje profundo propuesto mejora significativamente la segmentación y la precisión de la clasificación de las lesiones cutáneas.
• Los estudios de ablación y las comparaciones confirman la superioridad del marco sobre los métodos existentes.
• Este trabajo ofrece una solución de IA más eficiente y efectiva para la detección temprana del cáncer de piel.