Análisis comparativo de redes neuronales para la predicción de cáncer de mama en imágenes médicas mediante la evaluación estadística de rendimiento
El presente trabajo de titulación aborda la evaluación comparativa de diferentes arquitecturas de redes neuronales convolucionales (CNN) para la predicción de cáncer de mama en imágenes mamográficas. La investigación se centró en identificar el modelo más eficiente mediante la aplicación de métricas...
Tallennettuna:
| Päätekijä: | |
|---|---|
| Muut tekijät: | |
| Aineistotyyppi: | bachelorThesis |
| Kieli: | spa |
| Julkaistu: |
2025
|
| Aiheet: | |
| Linkit: | http://dspace.ups.edu.ec/handle/123456789/29913 |
| Tagit: |
Lisää tagi
Ei tageja, Lisää ensimmäinen tagi!
|
Lisää tagi | Yhteenveto: | El presente trabajo de titulación aborda la evaluación comparativa de diferentes arquitecturas de redes neuronales convolucionales (CNN) para la predicción de cáncer de mama en imágenes mamográficas. La investigación se centró en identificar el modelo más eficiente mediante la aplicación de métricas como precisión, sensibilidad y especificidad, con el objetivo de contribuir al desarrollo de herramientas de diagnóstico más precisas y confiables. Para llevar a cabo este análisis, se utilizaron datos provenientes de bases públicas como Kaggle y Mini-DDSM, que incluyeron un conjunto representativo de mamografías clasificadas entre tejido sano y con cáncer. Se implementaron modelos preentrenados como EfficientNetB0, ResNet50, ResNet152, EfficientNetV2 y ConvNeXt, los cuales fueron optimizados mediante técnicas como el ajuste fino de hiperparámetros y el balanceo de clases. Estos ajustes permitieron mitigar los desafíos asociados al desbalance de datos y a las variaciones en las características de las imágenes. Los resultados del análisis revelaron que EfficientNetB0 destacó como la arquitectura más eficaz, mostrando un rendimiento sobresaliente en sensibilidad y precisión, especialmente cuando se utilizaron imágenes de mayor resolución y estrategias de ajuste dinámico de la tasa de aprendizaje. Adicionalmente, el uso de imágenes preprocesadas y datos externos incrementó la capacidad de generalización de los modelos, mejorando su aplicabilidad en escenarios clínicos. En conclusión, este estudio valida la eficacia de las redes neuronales convolucionales en la predicción de cáncer de mama y resalta la importancia de estrategias de optimización específicas para garantizar un desempeño robusto y adaptado a las necesidades de la práctica médica. Las recomendaciones propuestas en este trabajo sientan una base sólida para futuros proyectos orientados a integrar estas tecnologías en sistemas de diagnóstico asistido por computadora. |
|---|