Comparación de métodos de clasificación aplicados al diagnóstico de melanomas malignos mediante asimetría

Autores/as

  • Juan Paulo Sánchez Hernández Universidad Politécnica del Estado de Morelos. Boulevard Cuauhnáhuac 566, col. Lomas del Texcal. Jiutepec, Morelos, México. CP 62550
  • Deny Lizbeth Hernández Rabadán Instituto Tecnológico y de Estudios Superiores de Monterrey, campus Cuernavaca. Autopista del Sol km 104, col. Real del Puente. Xochitepec, Morelos, México. CP 62790

DOI:

https://doi.org/10.30973/progmat/2014.6.2/7

Palabras clave:

melanoma maligno, redes neuronales, ID3, máquinas de soporte vectorial, Naive Bayes, momentos geométricos

Resumen

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.

Biografía del autor/a

Juan Paulo Sánchez Hernández , Universidad Politécnica del Estado de Morelos. Boulevard Cuauhnáhuac 566, col. Lomas del Texcal. Jiutepec, Morelos, México. CP 62550

Juan Paulo Sánchez Hernández es Maestro en Ciencias Computacionales por el Instituto Tecnológico y de Estudios Superiores de Monterrey (2008) y Doctor en Ciencias Computacionales por la misma institución (2014). Actualmente es profesor investigador en la Universidad Politécnica del Estado de Morelos desde 2012. Sus áreas de interés incluyen aprendizaje, reconocimiento de patrones y optimización combinatoria.

Deny Lizbeth Hernández Rabadán, Instituto Tecnológico y de Estudios Superiores de Monterrey, campus Cuernavaca. Autopista del Sol km 104, col. Real del Puente. Xochitepec, Morelos, México. CP 62790

Deny Lizbeth Hernández Rabadán es Maestra en Ciencias Computacionales por el Instituto Tecnológico y de Estudios Superiores de Monterrey (2009). Realiza sus estudios de Doctorado en Ciencias Computacionales por la misma institución. Actualmente colabora en forma parte de proyectos de investigación con el centro de investigación en biotecnología (CEIB) de la UAEM. Sus áreas de interés son procesamiento de imágenes y reconocimiento de patrones.

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

30-06-2014

Cómo citar

Sánchez Hernández , J. P., & Hernández Rabadán, D. L. (2014). Comparación de métodos de clasificación aplicados al diagnóstico de melanomas malignos mediante asimetría. Programación matemática Y Software, 6(2), 51–56. https://doi.org/10.30973/progmat/2014.6.2/7

Número

Vol. 6 Núm. 2 (2014): Junio de 2014

Sección

Artículos

Licencia

Derechos de autor 2014 Programación Matemática y Software

Creative Commons License

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.