Deep learning en la detección de cáncer de piel utilizando termografía activa.
| dc.contributor.advisor | Godoy Medel, Sebastián | es |
| dc.contributor.author | Soto Catalán, Ricardo Felipe Antonio | es |
| dc.date.accessioned | 2025-01-28T14:39:06Z | |
| dc.date.available | 2025-01-28T14:39:06Z | |
| dc.date.issued | 2024 | |
| dc.description | Tesis presentada para optar al grado de Doctor en Ciencias de la Ingeniería con mención en Ingeniería Eléctrica | es |
| dc.description.abstract | Skin cancer is the most common form of cancer worldwide, with early detection being critical to reducing mortality and minimizing the need for invasive therapies. This thesis proposes an automatic and low-cost skin cancer detection system using active infrared thermography (IRT), machine learning and deep learning. Active IRT leverages controlled thermal stimuli to identify malignant lesions based on unique thermal regulation curves (TRCs) observed in tumor-affected areas. The study introduces a novel detection scheme that integrates spatio-temporal features extracted from TRCs, visible imagery, and machine learning classifiers. Along with this, the use of a U-Net convolutional neural network for automatic lesion segmentation, trained on high-quality datasets and tested in real clinical conditions, is proposed. Additionally, the research evaluates a range of low-cost infrared cameras and develops a video degradation model to simulate their per formance. This evaluation showed that the proposed detection algorithm using expert segmentation allows working with low-cost cameras with an accuracy of approximately 85% with mid-range infrared cameras and 83% with a low-end camera. Finally, the application of transfer learning to TRCs was explored, with a proposed strategy to generate images from the curves. Using a ResNet152V2 network, the curves were classified as benign or malignant, and the average ma lignancy of the analyzed TRC set was calculated. Incorporating this new feature, the detection system achieved an accuracy of 90.86% with expert segmentation and 89.20% with automatic segmentation. These results suggest that incorpo rating this feature into the detection algorithm for lower-quality cameras could enhance its performance, potentially matching the accuracy achieved with high quality video processing. | en |
| dc.description.abstract | El cáncer de piel es la forma más común de cáncer a nivel mundial, su detección temprana es crucial para reducir la mortalidad y minimizar la necesidad de terapias invasivas. Esta tesis propone un sistema automático y de bajo costo para la detección de cáncer de piel utilizando termografía infrarroja activa (IRT), machine learning y deep learning. La IRT activa permite diferenciar lesiones malignas de benignas, dado que los tejidos cancerígenos presentan un comportamiento de recuperación térmica diferente al de tejido sano. El estudio introduce un novedoso esquema de detección que integra características espacio-temporales extraídas de las curvas de recuperación térmica (TRC), imágenes visibles y clasificadores de machine learning. Junto con esto, se propone el uso de una red neuronal convolucional U-Net para la segmentación automática de lesiones, entrenada en conjuntos de datos de alta calidad y probada en condiciones clínicas reales. Además, la investigación evaluar una variedad de cámaras infrarrojas de bajo costo y desarrolla un modelo de degradación de video para simular su desempeño. Esta evaluación demostró que el algoritmo de detección propuesto, utilizando segmentación experta, permite trabajar con cámaras de bajo costo con una precisión de aproximadamente el 85% para cámaras infrarrojas de gama media y el 83% para una Cámara de gama baja. Finalmente, se exploró la aplicación de transfer learning a las TRCs, proponiendo una estrategia para generar imágenes a partir de las curvas. Utilizando una red ResNet152V2, las curvas se clasificaron como benignas o malignas, y se calculó la malignidad promedio del conjunto de TRCs analizadas. Al incorporar esta nueva característica, el sistema de detección logro una precisión del 90.86% con segmentación experta y del 89.20% con segmentación automática. Estos resultados sugieren que incluir esta característica en el algoritmo de detección al trabajar con cámaras de menor calidad, su rendimiento podría alcanzar potencialmente en el que se obtiene al procesar videos de alta calidad. | es |
| dc.description.campus | Concepción | es |
| dc.description.departamento | Departamento de Ingeniería Eléctrica | es |
| dc.description.facultad | Facultad de Ingeniería | es |
| dc.description.sponsorship | ANID, Becas Doctorado Nacional 21191485 | es |
| dc.identifier.uri | https://repositorio.udec.cl/handle/11594/12336 | |
| 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 | Inteligencia artificial | es |
| dc.subject | Análisis de imagen | es |
| dc.subject | Procesamiento de datos | es |
| dc.subject.ods | Buena SALUD | es |
| dc.title | Deep learning en la detección de cáncer de piel utilizando termografía activa. | es |
| dc.type | Thesis | en |