Clasificación Automatizada de Lesiones Cutáneas mediante Redes Neuronales Convolucionales y Filtrado Morfológico de Vellos

Autores/as

  • Marco Polo Pineda-Ortelli CIICAp, Universidad Autónoma del Estado de Morelos, Av. Universidad 1001, Cuernavaca, Morelos 62210, México
  • J. Jesús Escobedo-Alatorre CIICAp, Universidad Autónoma del Estado de Morelos, Av. Universidad 1001, Cuernavaca, Morelos 62210, México
  • Jorge Arturo Sandoval-Espino CIICAp, Universidad Autónoma del Estado de Morelos, Av. Universidad 1001, Cuernavaca, Morelos 62210, México https://orcid.org/0000-0002-5743-9618

DOI:

https://doi.org/10.30973/progmat/2026.18.2/3

Palabras clave:

Redes Neuronales, Clasificación de Imágenes, HAM10000

Resumen

El descubrimiento y uso de nuevos métodos y técnicas matemática-computacionales permite que los humanos puedan desarrollar herramientas prácticas para facilitar las tareas cotidianas día con día, naturalmente se busca que las áreas de interés más importantes como la salud se beneficien de estas aplicaciones con premura, pero al mismo tiempo con un nivel de precisión adecuado al realizar dichas tareas. El objetivo de este estudio es crear un programa de cómputo que sea capaz de interpretar y sugerir un posible diagnóstico de lesiones pigmentada en la piel a través del análisis de una imagen con un modelo de redes neuronales convolucionales entrenado con la base de datos “HAM10000”. Además, en este trabajo se propone un nuevo filtro de vellos para las imágenes con el fin de evaluar su repercusión en el rendimiento de la clasificación, el filtro se basa en el uso de cambio de canal, transformaciones morfológicas y reconstrucción de la imagen a través del relleno de pixeles faltantes y finalmente surge el diseño de un programa con interfaz de usuario para que los dermatólogos puedan utilizar la herramienta con imágenes dermatoscópicas. El modelo propuesto en este artículo tiene un porcentaje de precisión al momento de ser evaluado del 88.21%.

Biografía del autor/a

Marco Polo Pineda-Ortelli, CIICAp, Universidad Autónoma del Estado de Morelos, Av. Universidad 1001, Cuernavaca, Morelos 62210, México

Marco Polo Pineda Ortelli. Recibió su Licenciatura en Tecnología con Área Terminal en Electrónica por parte de la Universidad Autónoma del Estado de Morelos en 2022, su enfoque se centra en proyectos de machine learning e inteligencia artificial, especialmente en el campo de la visión artificial. Su investigación se basa en la implementación de modelos de redes neuronales en programas de software con aplicaciones prácticas a nivel de usuario. Su interés se centra en el desarrollo de aplicaciones que sean beneficiosas para el sector salud a través del análisis mediante computadora de imágenes clínicas para la clasificación o detección de enfermedades.

J. Jesús Escobedo-Alatorre , CIICAp, Universidad Autónoma del Estado de Morelos, Av. Universidad 1001, Cuernavaca, Morelos 62210, México

J. Jesús Escobedo-Alatorre. Recibió el Diplomado en ingeniería electrónica de la Universidad de Guadalajara, México, en 1994, y la maestría y doctorado títulos del Instituto Nacional de Astrofísica, Óptica y Electrónica (INAOE), México, en 1997 y 2005, respectivamente. Desde 1998 trabaja en el Centro de Investigación en Ingeniería y Ciencias Aplicadas (CIICAp), Universidad Autónoma de Morelos (UAEM), México. Sus intereses de investigación incluyen la propagación en guías de ondas, microcontroladores, procesamiento de señales digitales y diseño de circuitos digitales.

Jorge Arturo Sandoval-Espino, CIICAp, Universidad Autónoma del Estado de Morelos, Av. Universidad 1001, Cuernavaca, Morelos 62210, México

El descubrimiento y uso de nuevos métodos y técnicas matemática-computacionales permite que los humanos puedan desarrollar herramientas prácticas para facilitar las tareas cotidianas día con día, naturalmente se busca que las áreas de interés más importantes como la salud se beneficien de estas aplicaciones con premura, pero al mismo tiempo con un nivel de precisión adecuado al realizar dichas tareas. El objetivo de este estudio es crear un programa de cómputo que sea capaz de interpretar y sugerir un posible diagnóstico de lesiones pigmentada en la piel a través del análisis de una imagen con un modelo de redes neuronales convolucionales entrenado con la base de datos “HAM10000”. Además, en este trabajo se propone un nuevo filtro de vellos para las imágenes con el fin de evaluar su repercusión en el rendimiento de la clasificación, el filtro se basa en el uso de cambio de canal, transformaciones morfológicas y reconstrucción de la imagen a través del relleno de pixeles faltantes y finalmente surge el diseño de un programa con interfaz de usuario para que los dermatólogos puedan utilizar la herramienta con imágenes dermatoscópicas. El modelo propuesto en este artículo tiene un porcentaje de precisión al momento de ser evaluado del 88.21%.

Citas

Rivera DA. Implementación de un sistema de detección temprana de melanoma utilizando redes neuronales convolucionales. Escuela Politécnica Nacional. 2020. Recuperado el 15 de julio de 2024 de https://bibdigital.epn.edu.ec/handle/15000/20771

Pruthi S. Cáncer de piel - Síntomas y causas. Mayo Clinic. 2022. Recuperado el 15 de julio de 2024 de https://www.mayoclinic.org/es-es/diseases-conditions/skin-cancer/symptoms-causes/syc-20377605

Torres AD. Procesamiento digital de imágenes. Perfiles Educativos. 1996;1(72). Recuperado de: https://hdl.handle.net/20.500.14330/PER01000007446

IBM. ¿Qué es la visión artificial? IBM. 2019. Recuperado el 15 de julio de 2024, de https://www.ibm.com/mx-es/topics/computer-vision

IBM. El modelo de redes neuronales. IBM. 2021. Recuperado el 16 de julio de 2024 de https://www.ibm.com/docs/es/spss-modeler/SaaS?topic=networks-neural-model

García Sánchez E, Tomás J, Nalvaiz A, Lozano LO. Introducción a las redes neuronales de convolución. Aplicación a la visión por ordenador. [Tesis de licenciatura]. Zaragoza: Universidad de Zaragoza; 2019. Recuperado el 17 de julio de 2024, de https://zaguan.unizar.es/record/87398

Tschandl P. The HAM10000 dataset, a large collection of multi-source dermatoscopic images of common pigmented skin lesions. Harvard Dataverse. 2018. doi: https://doi.org/10.7910/DVN/DBW86T

Tschandl P. Domain-specific classification-pretrained fully convolutional network encoders for skin lesion segmentation. Computers in Biology and Medicine. 2019;104:111-116. doi: https://doi.org/10.1016/j.compbiomed.2018.11.010

Tschandl P, Rinner C, Apalla Z, et al. Human–computer collaboration for skin cancer recognition. Nature Medicine. 2020;26:1229-1234. doi: https://doi.org/10.1038/s41591-020-0942-0

Shetty B, Fernandes R, Rodrigues AP, Chengoden R, Bhattacharya S, Lakshmanna K. Skin lesion classification of dermoscopic images using machine learning and convolutional neural network. Scientific Reports. 2022;12(1):1-11. doi: https://doi.org/10.1038/s41598-022-22644-9

DermNet® - Dermatology Resource. DermNet®. 2024. Recuperado 30 julio de 2024 de https://dermnetnz.org/

Descargas

Publicado

01-06-2026

Cómo citar

Pineda-Ortelli, M. P., Escobedo-Alatorre , J. J., & Sandoval-Espino, J. A. (2026). Clasificación Automatizada de Lesiones Cutáneas mediante Redes Neuronales Convolucionales y Filtrado Morfológico de Vellos. Programación matemática Y Software, 18(2), 32–41. https://doi.org/10.30973/progmat/2026.18.2/3

Número

Vol. 18 Núm. 2 (2026): Junio de 2026

Sección

Artículos

Licencia

Derechos de autor 2026 Marco Polo Pineda-Ortelli, J. Jesús Escobedo-Alatorre , Jorge Arturo Sandoval-Espino

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.