Facultad de Ingeniería

Permanent URI for this community

https://repositorio.udec.cl/handle/11594/190

Browse

Browsing Facultad de Ingeniería by Author "Aguayo Mellado, Benjamín Ismael"

Now showing 1 - 1 of 1
  • Thumbnail Image
    Item
    Segmentación automática de lesiones cutáneas usando deep-learning.
    (Universidad de Concepción, 2026) Aguayo Mellado, Benjamín Ismael; Godoy Medel, Sebastián Eugenio; Torres Inostroza, Sergio Neftalí; Pérez Venegas, Francisco Germán
    En la practica clínica, las imágenes dermatologicas suelen capturarse bajo condiciones heterogeneas de iluminación, enfoque y calidad, lo que puede afectar el desempeño de sistemas automáticos basados en aprendizaje profundo. Este trabajo tiene como objetivo evaluar la confiabilidad de la segmentación automática de lesiones cutáneas cuando la calidad de imagen se degrada, identificando condiciones limite donde la segmentación deja de ser operable fuera de entornos clínicos ideales. Para ello se implementan y comparan tres arquitecturas de segmentación (U-Net, DeepLabV3+ y Mask R-CNN) mediante un modelo metodológico de evaluación basado en un sistema modular de siete bloques de degradación, que permite generar perturbaciones controladas y describir el comportamiento del sistema bajo condiciones de estrés en la adquisición. La robustez se valida con Intersección sobre Unión (IoU), coeficiente Dice, sensibilidad (recall) y precisión, utilizando los conjuntos de datos ISIC 2018 (International Skin Imaging Collaboration 2018) y PH2, y se adopta un criterio operacional (IoU >= 0.75, Dice >= 0.85, recall >= 0.85, precision >= 0.80) para determinar limites de uso confiable. En condicion base, U-Net alcanza IoU 0.8284 y Dice 0.893. La reducción de resolución mantiene en general el recall por sobre 85 %, aunque deteriora el contorno en niveles extremos. El factor mas critico es el ruido gaussiano: DeepLabV3+ reduce su recall hasta 51.6% (varianza 0.03), mientras U-Net conserva recall alto pero disminuye su precision a 77.7 %, evidenciando sobre segmentacion. Mask R-CNN presenta mayor estabilidad frente a ruido, manteniendo recall sobre 87% y precision sobre 83% en el peor caso evaluado. Estos resultados delimitan rangos de calidad de imagen donde cada arquitectura mantiene un desempeno consistente y muestran que el ruido gaussiano severo condiciona la operabilidad del sistema.
Síguenos en...