Comparativa de redes de aprendizaje profundo empleando transfer learning para detección de cáncer de mama en el corpus CBIS-DDSM

El objetivo de este estudio es comparar diversas arquitecturas de redes de aprendizaje profundo utilizando la técnica de transfer learning para la detección de cáncer de mama en imágenes del corpus CBIS-DDSM. Se evaluaron modelos como VGG16, ResNet152 y EfficientNet, entrenados y afinados con imágenes mamográficas preprocesadas. Los resultados muestran que el modelo ResNet50 obtiene el mejor desempeño en términos de precisión y sensibilidad, destacándose como una herramienta prometedora para el apoyo en el diagnóstico temprano del cáncer de mama. Además, el estudio incluye la aplicación de técnicas de procesamiento de imágenes como la mejora del contraste utilizando CLAHE y operaciones morfológicas. Los resultados indican que las mamografías procesadas muestran un rendimiento superior. La red ResNet50 mejorada con CLAHE alcanzó una precisión del 68.2%, mientras que con operaciones morfológicas logró un 67.7%. Sin embargo, la red VGG19 con las mamografías normales mostró el mejor rendimiento, con una exactitud del 69.1%.

• Κύριος συγγραφέας: Dután Criollo, Erick Geovanny (author)
• Μορφή: bachelorThesis
• Γλώσσα: spa
• Έκδοση: 2024
• Θέματα: BIOMEDICINA; APRENDIZAJE AUTOMÁTICO (INTELIGENCIA ARTIFICIAL); REDES NEURONALES (COMPUTADORES); PROCESAMIENTO DE IMÁGENES - TÉCNICAS DIGITALES; MAMAS - CÁNCER
• Διαθέσιμο Online: http://dspace.ups.edu.ec/handle/123456789/28664