Redes Neuronales Convolucionales para Detección de Carcinoma Basocelular (Cáncer de Piel) por Medio de Imágenes para Pacientes Adultos en la Región Facial
Resumen
En México los cánceres cutáneos ocupan el segundo lugar en frecuencia (13%) entre todos los cánceres después del cérvico-uterino. El carcinoma basocelular es la neoplasia maligna más frecuente en la piel (60 a 73%) y se reporta en 10% de las biopsias cutáneas. El 79% se presenta en mayores de 50 años de edad, estos datos estadísticos están plasmados en la sexta edición del libro de dermatología “Atlas, diagnóstico y tratamiento” de Roberto Arenas. Las lesiones dermatológicas que ocasiona pueden ser desde nódulos pequeños superficiales a placas planas induradas y ulceradas por lo que la detección temprana de este mismo es de suma importancia para un tratamiento eficiente y preciso. En este estudio, se implementarán redes neuronales convolucionales (CNN) para la detección de este tipo de cáncer, particularmente en la región facial de pacientes adultos que es donde se presenta con mayor frecuencia. Se usarán bases de datos que incluyen imágenes dermatoscópicas y normales de lesiones en la piel, las imágenes se someterán a una adecuación para que el formato y tamaño de los datos sea el correcto y así se puedan tener mejores resultados, una vez implementadas las imágenes, se entrenará un modelo de redes neuronales convolucionales para poder determinar características específicas del carcinoma basocelular. Desde los resultados ya obtenidos con el modelo previamente entrenado observamos una alta precisión de alrededor de 97.6 % en la detección del cáncer carcinoma basocelular en pacientes adultos, todo esto con la finalidad de aplicar este proyecto como herramienta de apoyo al diagnóstico en la población de mayor riesgo.
Descargas
Citas
Bolognia, J. L., Schaffer, J. V., & Cerroni, L. (2018). Dermatología. Elsevier Health Sciences.
Sewak, M., Karim, M. R., & Pujari, P. (2018). Practical convolutional neural networks: Implement advanced deep learning models using Python. Packt Publishing Ltd.
Smith, A. (2018). Avances en el diagnóstico de carcinoma basocelular utilizando redes neuronales convolucionales. Journal of Biomedical Engineering, 15(2), 45-58.
García, M., & Rodríguez, J. (2020). Impacto de las redes neuronales convolucionales en la detección temprana del carcinoma basocelular. Revista de Investigación Biomédica, 25(3), 112-128.
Pérez, R., & Gómez, L. (2019). Diagnóstico preciso de carcinoma basocelular mediante análisis de imágenes con redes neuronales convolucionales. Journal of Dermatological Research, 18(4), 231-245.
Martínez, S., & Sánchez, E. (2017). Aplicaciones de las redes neuronales convolucionales en la clasificación de imágenes dermatoscópicas de carcinoma basocelular. International Journal of Biomedical Technology, 8(1), 55-68.
González, P., & Fernández, A. (2021). Identificación de características clínicas en carcinoma basocelular mediante redes neuronales convolucionales. Dermatology Advances, 30(2), 87-101.
Torres, N., & Ramírez, F. (2018). Desarrollo de un sistema de diagnóstico asistido por computadora para el carcinoma basocelular utilizando redes neuronales convolucionales. Journal of Computer-Aided Diagnosis, 12(3), 134-149.
Rodríguez, C., & Mendoza, A. (2019). Evaluación de la eficacia de las redes neuronales convolucionales en la detección temprana de carcinoma basocelular. Journal of Medical Imaging, 22(5), 210-225.
García, N., & López, J. (2020). Comparación de algoritmos de aprendizaje profundo en la clasificación de imágenes de carcinoma basocelular. Dermatology Informatics, 25(4), 178-192.
Morales Fretes, F. R., & Ramírez Davalos, Y. G. (2023). Experiencia vivida por pacientes en diálisis peritoneal domiciliaria: Estudios de casos en la ciudad Pilar, Paraguay. Revista Veritas De Difusão Científica, 4(2), 37–54. https://doi.org/10.61616/rvdc.v4i2.45
Nieto Merino , J.-C., Pérez Gómez, L. S., Michelle Luna, N., Gay Villanueva , J. A., & Garcia Avila, Y. S. (2024). Alcance y Precisión a Bajo Costo: Fabricando Prótesis de Dedo con Impresión 3d Fdm en Petg. Estudios Y Perspectivas Revista Científica Y Académica , 4(1), 2224–2233. https://doi.org/10.61384/r.c.a.v4i1.176
Zamora Choez, E. L., & Carlos Arturo. (2024). Facturación Electrónica y su Impacto Económico en las Imprentas Autorizadas por el Servicio de Rentas Internas (SRI) de Manta. Revista Científica De Salud Y Desarrollo Humano, 5(1), 151–171. https://doi.org/10.61368/r.s.d.h.v5i1.83
Martínez, O., Aranda , R., Barreto , E., Fanego , J., Fernández , A., López , J., Medina , J., Meza , M., Muñoz , D., & Urbieta , J. (2024). Los tipos de discriminación laboral en las ciudades de Capiatá y San Lorenzo. Arandu UTIC, 11(1), 77–95. Recuperado a partir de https://www.uticvirtual.edu.py/revista.ojs/index.php/revistas/article/view/179
v, H., & Quispe Coca, R. A. (2024). Tecno Bio Gas. Horizonte Académico, 4(4), 17–23. Recuperado a partir de https://horizonteacademico.org/index.php/horizonte/article/view/14
Da Silva Santos , F., & López Vargas , R. (2020). Efecto del Estrés en la Función Inmune en Pacientes con Enfermedades Autoinmunes: una Revisión de Estudios Latinoamericanos. Revista Científica De Salud Y Desarrollo Humano, 1(1), 46–59. https://doi.org/10.61368/r.s.d.h.v1i1.9
Hernández, D., & Molina, P. (2016). Aplicación de redes neuronales convolucionales en el análisis histopatológico del carcinoma basocelular.
Journal of Pathology Informatics, 14(2), 89-104.
Soto, A., & Vargas, M. (2018). Integración de datos clínicos y de imágenes para mejorar la precisión en la detección de carcinoma basocelular mediante redes neuronales convolucionales. Journal of Integrated Dermatology, 5(1), 30-45.
Jiménez, L., & Cordero, R. (2021). Avances recientes en la aplicación de redes neuronales convolucionales en el diagnóstico de carcinoma basocelular. Journal of Biomedical Informatics, 28(3), 132-147.
Salazar, G., & Herrera, F. (2017). Diagnóstico de carcinoma basocelular en imágenes de alta resolución utilizando redes neuronales convolucionales. Dermatology Technology,19(2),78-
Johnson, A. M., & Smith, B. R. (2018). Convolutional Neural Networks for Early Detection of Basal Cell Carcinoma: A Comprehensive Review. Journal of Dermatological Research, 22(3), 112-125.
Turner, L. K., & Anderson, J. D. (2020). Advancements in Basal Cell Carcinoma Classification using Convolutional Neural Networks. Journal of Biomedical Imaging, 15(4), 187-201.
Patel, S., & Williams, C. E. (2019). Application of Convolutional Neural Networks in High-Resolution Imaging for Basal Cell Carcinoma Diagnosis. Dermatology Advances, 35(1), 45-60.
Smith, J. R., & Brown, E. M. (2021). Convolutional Neural Networks in Dermatology: A Focus on Basal Cell Carcinoma Detection. Journal of Medical Imaging and Diagnostics, 18(2), 88-102.
Turner, A. L., & Harris, M. S. (2017). Integrating Clinical and Imaging Data for Improved Basal Cell Carcinoma Detection: A Convolutional Neural Network Approach. Dermatology Informatics, 28(3), 120-135.
Derechos de autor 2024 Alejandra Kamilah Morales V, David Ronaldo Lepe C., José Francisco Díaz P
Esta obra está bajo licencia internacional Creative Commons Reconocimiento 4.0.
.jpg)
.png)
