Comparativa de redes de aprendizaje profundo empleando transfer learning para detección de cáncer de mama en el corpus CBIS-DDSM
Para citar o enlazar este item, por favor use el siguiente identificador:
http://dspace.ups.edu.ec/handle/123456789/28664
Title: | Comparativa de redes de aprendizaje profundo empleando transfer learning para detección de cáncer de mama en el corpus CBIS-DDSM |
Authors: | Dután Criollo, Erick Geovanny |
Advisor: | Robles Bykbaev, Vladimir Espartaco |
Abstract: | The objective of this study is to compare various deep learning network architectures using transfer learning for breast cancer detection in images from the CBIS-DDSM corpus. Models such as VGG16, ResNet50, and EfficientNet were evaluated, trained, and fine-tuned with preprocessed mammographic images. The results show that the ResNet152 model achieves the best performance in terms of accuracy and sensitivity, standing out as a promising tool for supporting the early diagnosis of breast cancer. Additionally, the study includes the application of image processing techniques such as contrast enhancement using CLAHE and morphological operations. The results indicate that processed mammograms show superior performance. The ResNet50 network enhanced with CLAHE achieved an accuracy of 68.2%, while with morphological operations it achieved 67.7%. However, the VGG19 network with normal mammograms showed the best performance, with an accuracy of 69.1%. |
Translated abstract: | 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%. |
Keywords: | BIOMEDICINA APRENDIZAJE AUTOMÁTICO (INTELIGENCIA ARTIFICIAL) REDES NEURONALES (COMPUTADORES) PROCESAMIENTO DE IMÁGENES - TÉCNICAS DIGITALES MAMAS - CÁNCER |
Issue Date: | Jul-2024 |
URI: | http://dspace.ups.edu.ec/handle/123456789/28664 |
Language: | spa |
Appears in Collections: | Grado |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
UPS-CT011657.pdf | Texto completo | 1,85 MB | Adobe PDF | View/Open |
This item is licensed under a Creative Commons License