Diseño de una Herramienta para la Detección de Imágenes de Cáncer de Piel Usando Redes Neuronales Profundas (DNN).

Rueda Rivera, Andrew Dalai

Diseño de una Herramienta para la Detección de Imágenes de Cáncer de Piel Usando Redes Neuronales Profundas (DNN).

dc.contributor.advisor	Castillo Bohorquez, Jeison Arley
dc.contributor.advisor	Barrero Pérez , Jaime Guillermo
dc.contributor.author	Rueda Rivera, Andrew Dalai
dc.contributor.evaluator	Pertuz Arroyo, Said David
dc.contributor.evaluator	Fajardo Ariza, Carlos Augusto
dc.date.accessioned	2024-05-31T12:57:18Z
dc.date.available	2024-05-31T12:57:18Z
dc.date.created	2024-05-22
dc.date.issued	2024-05-22
dc.description.abstract	En el presente proyecto se realizo la implementación de un sistema embebido prototipo capaz de clasificar imágenes obtenidas por medio de una cámara. En primer lugar, se seleccionó la base de datos que se iba a trabajar teniendo en cuenta que existieran los suficientes datos para que no se presente overfitting ni underfitting, a grosso modo la base de datos más completa es la HAM10000. Para cumplir con el objetivo principal, se analizaron varias topologías base tales como la Resnet50, la MobileNetV2, la InceptionV2 y la EfficientnetV2 que se aplicaron a tres diferentes modelos en dónde se modificó la cantidad y el tipo de capas, las dimensiones de salida, la cantidad de filtros, el valor del dropout, la función de activación, los regularizadores, la cantidad de clases a clasificar, el tipo de validación, entre otros. Después de obtener los resultados se seleccionó la EfficientnetV2 porque tenía el mayor rendimiento. A esta topología se le aplicó la técnica del aprendizaje contrastivo, que busca crear representaciones para discriminar las características que presentan similitudes y diferencias. El modelo final obtuvo un valor de rendimiento superior al 80%. Sin embargo, debido a la disminución de la calidad de la imagen por el uso de OpenCV, se modificó la forma en que se cargaba la base de datos en el algoritmo para que no se viera afectada la eficiencia. Se implementó la topología base seleccionada en la Raspberry pi 4 y se utiliza una cámara Logitech Brio para realizar la detección de imágenes. El sistema cuenta con una interfaz sencilla y amigable con el usuario, que permite interactuar fácilmente con el modelo clasificador.
dc.description.abstractenglish	In this project, the implementation of a prototype embedded system capable of classifying images obtained by means of a camera was carried out. Firstly, the database that was going to be worked on was selected taking into account that there was enough data so that no overfitting or underfitting occurred. Roughly speaking, the most complete database is the HAM10000. To meet the main objective, several base topologies were analyzed such as Resnet50, MobileNetV2, InceptionV2 and EfficientnetV2, which were applied to three different models where the number and type of layers, the output dimensions, the number of filters, the dropout value, the activation function, the regularizers, the number of classes to classify, the type of validation, among others. After obtaining the results, EfficientnetV2 was selected because it had the highest performance. The contrastive learning technique was applied to this topology, which seeks to create representations to discriminate characteristics that present similarities and differences. The final model obtained a performance value greater than 80%. However, due to the decrease in image quality due to the use of OpenCV, the way the database was loaded into the algorithm was modified so that efficiency was not affected. The selected base topology was implemented on the Raspberry pi 4 and a Logitech Brio camera is used to perform image detection. The system has a simple and userfriendly interface, which allows easy interaction with the classifier model.
dc.description.degreelevel	Pregrado
dc.description.degreename	Ingeniero Electrónico
dc.format.mimetype	application/pdf
dc.identifier.instname	Universidad Industrial de Santander
dc.identifier.reponame	Universidad Industrial de Santander
dc.identifier.repourl	https://noesis.uis.edu.co
dc.identifier.uri	https://noesis.uis.edu.co/handle/20.500.14071/42653
dc.language.iso	spa
dc.publisher	Universidad Industrial de Santander
dc.publisher.faculty	Facultad de Ingeníerias Fisicomecánicas
dc.publisher.program	Ingeniería Electrónica
dc.publisher.school	Escuela de Ingenierías Eléctrica, Electrónica y Telecomunicaciones
dc.rights	info:eu-repo/semantics/openAccess
dc.rights.accessrights	info:eu-repo/semantics/openAccess
dc.rights.coar	http://purl.org/coar/access_right/c_abf2
dc.rights.creativecommons	Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)
dc.rights.license	Atribución-NoComercial-SinDerivadas 2.5 Colombia (CC BY-NC-ND 2.5 CO)
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/4.0/
dc.subject	DNN
dc.subject	REDES
dc.subject	CANCER DE PIEL
dc.subject	DEEP LEARNING
dc.subject	DETECCION DE IMAGENES
dc.subject.keyword	SKIN CANCER
dc.subject.keyword	DNN
dc.subject.keyword	NEURONAL NETWORKS
dc.subject.keyword	DEEP LEARNING
dc.title	Diseño de una Herramienta para la Detección de Imágenes de Cáncer de Piel Usando Redes Neuronales Profundas (DNN).
dc.title.english	Design of a Tool for Skin Cancer Image Detection Using Deep Neural Networks (DNN).
dc.type.coar	http://purl.org/coar/resource_type/c_7a1f
dc.type.hasversion	http://purl.org/coar/version/c_b1a7d7d4d402bcce
dc.type.local	Tesis/Trabajo de grado - Monografía - Pregrado