Segmentación automática de lesiones cutáneas usando deep-learning.
| dc.contributor.advisor | Godoy Medel, Sebastián Eugenio | es |
| dc.contributor.advisor | Torres Inostroza, Sergio Neftalí | es |
| dc.contributor.advisor | Pérez Venegas, Francisco Germán | es |
| dc.contributor.author | Aguayo Mellado, Benjamín Ismael | es |
| dc.date.accessioned | 2026-06-08T16:43:17Z | |
| dc.date.available | 2026-06-08T16:43:17Z | |
| dc.date.issued | 2026 | |
| dc.description | Tesis presentada para optar al título de Ingeniero/a Civil en Telecomunicaciones. | es |
| dc.description.abstract | 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. | es |
| dc.description.abstract | In clinical practice, dermatological images are often acquired under heterogeneous lighting, focus, and overall quality conditions, which can compromise the performance of deep learning based automated systems. This work aims to evaluate the reliability of automatic skin lesion segmentation as image quality degrades, identifying boundary conditions where segmentation becomes non operational outside ideal settings. To this end, three segmentation architectures (U-Net, DeepLabV3+, and Mask R-CNN) are implemented and compared using a formal evaluation model based on a modular system of seven degradation blocks, which enables controlled perturbations and characterizes system behavior under acquisition stress conditions. Robustness is assessed using Intersection over Union (IoU), Dice coefficient, sensitivity (recall), and precision on the ISIC 2018 (International Skin Imaging Collaboration 2018) and PH2 datasets, and an operational criterion (IoU >= 0.75, Dice >= 0.85, recall >= 0.85, precision >= 0.80) is adopted to determine reliable use limits. Under baseline conditions, U-Net achieves IoU 0.8284 and Dice 0.893. Resolution reduction generally keeps recall above 85 %, but degrades boundary delineation at extreme levels. The most critical factor is Gaussian noise: DeepLabV3+ reduces recall down to 51.6% (variance 0.03), while U-Net maintains high recall but drops to 77.7% precision, indicating over segmentation. Mask R-CNN shows higher stability under noise, maintaining recall above 87% and precision above 83% in the worst evaluated case. These results delineate image quality ranges in which each architecture maintains consistent performance and show that severe Gaussian noise conditions constrain system operability. | en |
| dc.description.campus | Concepción | es |
| dc.description.departamento | Departamento de Ingeniería Eléctrica | es |
| dc.description.facultad | Facultad de Ingeniería | es |
| dc.identifier.uri | https://repositorio.udec.cl/handle/11594/14113 | |
| dc.language.iso | es | es |
| dc.publisher | Universidad de Concepción | es |
| dc.rights | CC BY-NC-ND 4.0 DEED Attribution-NonCommercial-NoDerivs 4.0 International | en |
| dc.rights.uri | https://creativecommons.org/licenses/by-nc-nd/4.0/ | |
| dc.subject | Imágenes digitales | es |
| dc.subject | Dermatología | es |
| dc.subject | Deep learning (Machine learning) | en |
| dc.title | Segmentación automática de lesiones cutáneas usando deep-learning. | es |
| dc.type | Thesis | en |