Comparación de métodos de clasificación aplicados al diagnóstico de melanomas malignos mediante asimetría
DOI:
https://doi.org/10.30973/progmat/2014.6.2/7Palabras clave:
melanoma maligno, redes neuronales, ID3, máquinas de soporte vectorial, Naive Bayes, momentos geométricosResumen
Las características físicas externas de un melanoma maligno, tales como su asimetría, color, diámetro y borde, permiten identificarlo y diferenciarlo de una lesión común o melanoma benigno sin necesidad de recurrir a una biopsia. En este trabajo se presentan una metodología y una comparación de resultados obtenidos mediante las redes neuronales artificiales, algoritmo ID3, máquinas de soporte vectorial y clasificadores naive Bayes. Además, se extrajeron los patrones de la imagen segmentada con momentos geométricos, los cuales se utilizaron para entrenar cada uno de los modelos presentados. Para comparar los resultados se empleó la validación cruzada, la cual arroja la precisión de cada uno de los modelos evaluados.
Citas
American Cancer Society. Cancer Facts and Figures 2014. (Consultado junio 2014). Disponible en: http://www.cancer.org/acs/groups/content/research/documents/webcontent/acspc-042151.pdf
Vega-González, M. T., Toussaint-Caire, S., GutiérrezVidrio, R. M., Orozco-Topete, R. d. l. L., León, E., Martínez-Said, H., López-Graniel, C., et al. Manejo de Lesiones Pigmentadas. Gaceta Mexicana de Oncología (GAMO). 2005, 4 (2), 14-17.
Abdul, J., Sibi, S., Aswin, R. B. Artificial neural network based detection of skin. International Journal of Advanced Research in Electrical, Electronics and Instrumentation Engineering. 2012, 1.
Rumelhart, D. E., Hinton, G. E., Williams, R. J. Learning representation by back-propagation errors. Nature. 1986, 323, 533-536.
Werbos, P. J. Backpropagation through time: what it does and how to do it. Proceeding of the IEEE. 1990, 79 (10), 1550-1560. https://doi.org/10.1109/5.58337
Quinlan, J. R. Induction of decision trees. Machine Learning. 1986, 1 (1), 81-106. https://doi.org/10.1007/BF00116251
Vapnik, V. Estimation of dependences based on empirical data. Secaucus, NJ, USA: Springer-Verlag New York, 1982.
Rish, I. An empirical study of the naive Bayes classifier. In IJCAI 2001 workshop on empirical methods in artificial intelligence. 2001, 3 (22), 41-46.
Lee, T. K., Claridge, E. Predictive power of irregular border shapes for malignant melanomas. Skin Research and Technology. 2005, 11 (1), 1-8. https://doi.org/10.1111/j.1600-0846.2005.00076.x
Lee, T. K., McLean, D. I., Atkins, M. S. Irregularity index: a new border irregularity measure for cutaneous melanocytic lesions. Medical image analysis. 2003, 7 (1), 47-64. https://doi.org/10.1016/S1361-8415(02)00090-7
Ercal, F., Chawla, A., Stoecker, W. V., Lee, H. C., Moss, R. H. Neural network diagnosis of malignant melanoma from color images. Biomedical Engineering, IEEE Transactions. 1994, 41 (9), 837-845. https://doi.org/10.1109/10.312091
Amaliah, B., Fatichah C., Widyanto, M. R. Abcd features extraction of image dermatoscopic based on morphology analysis for malanoma skin cancer diagnosis. Journal Ilmu komputer dan informasi. 2010, 3 (2), 82-90. https://doi.org/10.21609/jiki.v3i2.145
Celebi, M. E., Kingravi, H. A., Uddin, B., Iyatomi, H., Aslandogan, Y. A., Stoecker W. V., Moss, R. H. A methodological approach to the classification of dermoscopy images. Computerized Medical Imaging and Graphics. 2007, 31 (6), 362-373. https://doi.org/10.1016/j.compmedimag.2007.01.003
Ogorzałek, M., Nowak, L., Surówka, G., Alekseenko, A. Modern techniques for computer-aided melanoma diagnosis. En: Mandi Murph (Ed.). Melanoma in the clinic - diagnosis, management and complications of malignancy. ISBN: 978-953-307-571-6, InTech, 2011.
Maglogiannis, I., Doukas, C. N. Overview of advanced computer vision systems for skin lesions characterization. Information Technology in Biomedicine, IEEE Transactions on. 2009, 13 (5), 721- 733. https://doi.org/10.1109/TITB.2009.2017529
Torre, E. L., Caputo, B., Tommasi, T. Learning methods for melanoma recognition. International Journal of Imaging Systems and Technology. 2010, 20 (4), 316- 322. https://doi.org/10.1002/ima.20261
Kaur, P., Khurm, S. S., Josan, G. S. Analysis for classification of similar documents among various websites using rapid miner. Issues and Challenges in Intelligent Computing Techniques (ICICT), 2014 International Conference on. 2014, 465-470. https://doi.org/10.1109/ICICICT.2014.6781327
Statnikov, A., Aliferis, C. F., Tsamardinos, I., Hardin D., Levy, S. A comprehensive evaluation of multicategory classification methods for microarray gene expression cancer diagnosis. Bioinformatics. 2004, 21 (5), 631- 643. https://doi.org/10.1093/bioinformatics/bti033
Labrarere, J., Bertrand, R., Fine, M. F. How to derive and validate clinical prediction models for use in intensitive care medicine. Springer-Verlag Berlin Heidelberg and ESICM. 2014, 513-527. https://doi.org/10.1007/s00134-014-3227-6
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2014 Programación Matemática y Software
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Usted es libre de:
Compartir — compartir y redistribuir el material publicado en cualquier medio o formato. |
Adaptar — combinar, transformar y construir sobre el material para cualquier propósito, incluso comercialmente. |
Bajo las siguientes condiciones:
Atribución — Debe otorgar el crédito correspondiente, proporcionar un enlace a la licencia e indicar si se realizaron cambios. Puede hacerlo de cualquier manera razonable, pero de ninguna manera que sugiera que el licenciador lo respalda a usted o a su uso. |
Sin restricciones adicionales: no puede aplicar términos legales o medidas tecnológicas que restrinjan legalmente a otros a hacer cualquier cosa que permita la licencia. |