Detección de patrones dermatoscópicos en lesiones de la piel mediante IA

Abstract

Este documento se centra en la investigación relativa a la detección de patrones de la piel utilizando técnicas de inteligencia artificial. Los patrones de la piel, como lunares, lesiones y estructuras dermatoscópicas, son indicadores importantes para el diagnóstico y seguimiento de enfermedades dermatológicas, incluido el cáncer de piel. El objetivo principal de este estudio es desarrollar un modelo basado en inteligencia artificial capaz de clasificar patrones de la piel en imágenes dermatoscopias. Se implementa mediante un enfoque de aprendizaje profundo utilizando redes neuronales convolucionales (CNN), específicamente a través de Transferencia de Aprendizaje (Transfer Learning) y técnicas de procesamiento de imágenes. El proceso de investigación se divide en varias etapas. Una primera, donde se realiza el análisis y presentación de los datos que serán utilizados en el entrenamiento y desempeño del modelo. A continuación, se realiza la aplicación de un filtrado y preprocesamiento para aportar calidad y mejorar los datos de entrada. Como segunda etapa, se procede al entrenamiento de la red y su posterior evaluación mediante métricas apropiadas, junto con la comparación de los resultados con otros estudios existentes. Finalmente, se presentan las conclusiones y líneas futuras que permiten comprender la viabilidad o no viabilidad del estudio y posibles enfoques a aplicar en trabajos futuros.

This document focuses on the investigation related to detection of skin patterns using artificial intelligence techniques. Skin patterns, such as moles, lesions and dermatoscopic structures, are important indicators for the diagnosis and monitoring of dermatological diseases, including skin cancer. The main objective of this study is to develop an artificial intelligence-based model capable of classifying skin patterns in dermoscopic images. It is implemented through a deep learning approach using convolutional neural networks (CNN), specifically through Transfer Learning and image processing techniques. The research process is divided into several stages. The first one, where the analysis and presentation of the data that will be used in the training and performance of the model. Then, the application of filtering and preprocessing is performed to provide quality and improve the input data. As a second stage, the network is trained and subsequently evaluated using appropriate metrics, together with the comparison of the results with other existing studies. Finally, conclusions and future lines are presented to understand the feasibility or non-feasibility of the study and possible approaches to be applied in future work.