Video Experimental Relacionado
Updated: Jan 8, 2026
Combining Reflectance Confocal Microscopy with Optical Coherence Tomography for Noninvasive Diagnosis of Skin Cancers via Image Acquisition
Published on: August 18, 2022
IA explicable para la clasificación de enfermedades de la piel mediante mapas de activación de clase ponderados por
S M Saiful Islam Badhon1, Sharun Akter Khushbu2, S M Shaqib2
1Department of Data Science, University of North Texas, Denton, TX, USA.
Este estudio demuestra que VGG-16-Aug con un conjunto de datos equilibrado puede diagnosticar eficazmente enfermedades de la piel utilizando recursos limitados. El preprocesamiento y el aumento de datos mejoraron significativamente la precisión, lo que demuestra un enfoque de bajos recursos para la imagenología médica.
Área de la Ciencia:
- Visión por Computadora; Imagenología Médica; Aprendizaje Automático
Sus antecedentes:
- Las preocupaciones sobre la privacidad de los datos médicos limitan la disponibilidad de datos para entrenar modelos de visión por computadora.
- El diagnóstico de enfermedades de la piel a menudo requiere experiencia especializada y puede beneficiarse de sistemas automatizados.
- Los recursos limitados y la escasez de datos plantean desafíos para el desarrollo de IA diagnósticas sólidas.
Objetivo del estudio:
- Evaluar la viabilidad de utilizar técnicas de visión por computadora de bajos recursos para el diagnóstico de enfermedades de la piel.
- Evaluar el impacto del preprocesamiento y el aumento de datos en el rendimiento del modelo.
- Comparar la efectividad de cinco modelos de aprendizaje por transferencia para diagnosticar diversas afecciones de la piel.
Principales métodos:
- Se utilizaron cinco modelos de aprendizaje por transferencia: VGG19, VGG16, GoogleNet, XceptionNet e Inception.
- Se crearon conjuntos de datos desequilibrados (4092 muestras) y equilibrados (5182 muestras).
- Se aplicaron técnicas de aumento de datos, redimensionamiento de imágenes, eliminación de ruido y desenfoque para el preprocesamiento.
- Se evaluó el rendimiento del modelo en datos preprocesados, incluidos datos equilibrados aumentados.
Principales resultados:
- VGG-19 logró una precisión del 95,00 % en el conjunto de datos desequilibrado.
- VGG-16-Aug alcanzó una precisión del 97,07 % en el conjunto de datos equilibrado y aumentado, superando a otros modelos.
- El preprocesamiento y el aumento mejoraron la calidad de la imagen, lo que condujo a una mayor precisión.
Conclusiones:
- Los enfoques de bajos recursos combinados con el preprocesamiento diagnostican eficazmente las enfermedades de la piel.
- El modelo VGG-16-Aug con un conjunto de datos equilibrado y aumentado muestra un potencial significativo para el diagnóstico de enfermedades de la piel.
- La IA explicable (Grad-CAM) ayuda a interpretar los resultados del modelo y a abordar la escasez de datos.
