Análisis de imágenes dermatoscópicas para el diagnostico de lesiones pigmentadas

TESIS DOCTORAL ANÁLISIS DE IMÁGENES DERMATOSCÓPICAS PARA EL DIAGNÓSTICO DE LESIONES PIGMENTADAS Autora: Paulina Andrea Vélez Núñez Directoras: Begoña Acha Piñero Carmen Serrano Gotarredona Teoría de la Señal y Comunicaciones Escuela Técnica Superior de Ingeniería Universidad de Sevilla Sevilla 2022 Doctora en Ingeniería Automática, Electrónica y de Telecomunicación Tesis Doctoral Análisis de Imágenes Dermatoscópicas para el Diagnóstico de Lesiones Pigmentadas Autora: Paulina Andrea Vélez Núñez Directoras: Begoña Acha Piñero Carmen Serrano Gotarredona Teoría de la Señal y Comunicaciones Escuela Técnica Superior de Ingeniería Universidad de Sevilla 2022 Acuerdan otorgarle la calificación de: El Secretario del Tribunal Fecha: Tesis Doctoral: Análisis de Imágenes Dermatoscópicas para el Diagnóstico de Lesiones Pigmentadas Autora: Paulina Andrea Vélez Núñez Tutoras: Begoña Acha Piñero, Carmen Serrano Gotarredona El tribunal nombrado para juzgar la Tesis arriba indicada, compuesto por los siguientes doctores: Presidente: Vocales: Secretario: A mi hijo Plácido. III Agradecimientos mi hijo, mi mayor bendición, mi fortaleza, motivación e inspiración, quien me impulsa a ser mejor cada día y quien me ha acompañado durante la realización de esta tesis desde su primer día en este mundo. A mis padres Lourdes y Pepe por estar siempre a mi lado sin importar la distancia. A mis hermanos Andrea y José Damián, por su apoyo incondicional. Además, quiero agradecer de forma especial a mis directoras Begoña y Carmen por haberme guiado y tutelado en la realización de esta tesis, por su profesionalidad, entrega y dedicación. Finalmente quiero agradecer a mis compañeros de despacho, a los demás profesores del Departamento y a mis amigos Ana y José Carlos. Paulina Andrea Vélez Núñez Sevilla, 2022 A 3.2.2.1. Segmentación de imágenes umbralizando capas convolucionales de una CNN ................................................................................................................ - 29 - 3.2.2.2. Segmentación semántica con la red neuronal profunda SegNet ....... - 31 - 3.3. Resultados comparativos ............................................................................ - 33 - 3.3.1 Métricas para evaluar un algoritmo de segmentación............................. - 33 - 3.3.2. Base de datos y parámetros de evaluación ................................................ - 34 - 3.3.3. Comparación de los métodos propuestos .................................................. - 35 - 3.3.4. Comparación del mejor método propuesto con otros de la literatura ....... - 37 - CAPÍTULO .................................................................................................................. - 41 - 4. Aprendizaje Máquina para Detección de Patrones Globales ............................... - 41 - 4.1. Características diseñadas ad-hoc ................................................................. - 43 - 4.1.1. Características de Textura......................................................................... - 43 - 4.1.2. División de la imagen en superpíxeles ..................................................... - 46 - 4.2. Selección de Características ........................................................................ - 48 - 4.2.1. Métodos de Filtro...................................................................................... - 49 - 4.2.2. Métodos envolventes ................................................................................ - 50 - 4.3. Experimentos para la detección de patrones globales ................................. - 51 - 4.3.1. Segmentación de la lesión para identificar características locales ............ - 51 - 4.3.2. Extracción de características de los recortes de textura ............................ - 52 - 4.3.3. Selección de características y clasificación .............................................. - 53 - 4.4. Resultados ................................................................................................... - 55 - CAPÍTULO .................................................................................................................. - 59 - 5. Clasificación ........................................................................................................ - 59 - 5.1. Estado del Arte de la Clasificación de lesiones dermatoscópicas ............... - 60 - 5.2. Métodos ...................................................................................................... - 61 - 5.2.1. Ensamblado de redes ................................................................................ - 64 - 5.2.1.1. Ensamblador ArgMax ...................................................................... - 65 - Criterio de clasificación .................................................................................. - 65 - 5.2.1.2. Ensamblador Mean ........................................................................... - 65 - 5.3. Datos y diseño de los experimentos ............................................................ - 66 - 5.3.1. Datos ......................................................................................................... - 66 - 5.3.2. Métricas para evaluar la Clasificación ...................................................... - 67 - XI 5.3.3. Experimentos de clasificación realizados ................................................. - 68 - 5.3.3.1. Implementación de Ensambladores para mejorar la clasificación .... - 69 - 5.4. Resultados de la clasificación ................................................................... - 70 - 5.4.1. Clasificación de BCC versus todas las lesiones sin utilizar un ensamblador ............................................................................................................ - 70 - 5.4.2. Clasificación en ocho tipos de lesiones sin utilizar un ensamblador ........ - 74 - 5.4.3. Clasificación de BCC versus Nevus sin utilizar un ensamblador ............. - 78 - 5.4.4. Clasificación de BCC versus todas las lesiones con ensamblador ............ - 82 - 5.4.5. Clasificación en ocho tipos de lesiones con ensamblador ........................ - 84 - 5.4.6. Clasificación de BCC versus Nevus con ensamblador ............................. - 87 - 5.5. Discusión de Resultados ............................................................................. - 89 - 5.5.1. Comparación con otros trabajos publicados en la literatura ..................... - 92 - CAPÍTULO .................................................................................................................. - 93 - 6. Conclusiones ........................................................................................................ - 93 - Apéndices ..................................................................................................................... - 95 - Revistas con índice de impacto (JCR - Journal Citation Report) ................................ - 95 - Índice de Figuras .......................................................................................................... - 97 - Índice de Tablas ......................................................................................................... - 101 - Bibliografía ................................................................................................................ - 103 - Glosario ...................................................................................................................... - 117 - - 1 - Introducción este trabajo se presenta un estudio completo sobre el análisis de imágenes dermatoscópicas enfocado a la clasificación de carcinoma basocelular (BCC). Además, se verifica la importancia del proceso de segmentación de la imagen dermatoscópica al momento de realizar la clasificación de la lesión. Las imágenes que se consideraron para esta investigación fueron tomadas de las bases de datos de ISIC 2017, 2018 y 2019. La importancia del análisis de las imágenes dermatoscópicas radica en la necesidad de realizar la detección temprana de lesiones malignas, como el melanoma y el carcinoma basocelular. Según la Fundación del Cáncer de Piel [2], el melanoma es uno de los tipos de cáncer de piel más agresivos y el carcinoma basocelular es el tipo de cáncer de piel más frecuente. El análisis de lesiones de piel ha sido objeto de estudio durante décadas, ya que está ligado a la detección temprana de enfermedades cuya tasa de supervivencia aumenta de forma considerable y proporcional a la rapidez con la que es detectada. Por esta razón, los métodos basados en herramientas de diagnóstico asistido por computador (Computer Aided Diagnosis - CAD) han sido propuestos para el apoyo al personal sanitario en el momento de reconocer y clasificar lesiones cutáneas utilizando imágenes dermatoscópicas. El reto de este trabajo recae en la complejidad del análisis de imágenes dermatoscópicas, por su variedad de colores, tonalidades y texturas. Otro factor importante a considerar son los artefactos presentes en la imagen, siendo estos artefactos pelo o vello, manchas de tinta, cicatrices u otros elementos ajenos a las características propias de la lesión. En Introducción - 2 - I. Motivación El cáncer de piel presenta una gran incidencia y mortalidad en la población mundial. Este trabajo está enfocado particularmente al análisis de melanoma y carcinoma basocelular ya que ambos son los tipos de cáncer con la tasa de mortalidad más elevada y con el mayor número de casos, respectivamente. Cuando se trata de melanoma se considera un tipo de cáncer agresivo, capaz de expandirse rápidamente y dañar a otros órganos del cuerpo. Por otra parte, al hablar de BCC se conoce que es una variación de cáncer menos agresivo que el melanoma, pero con una gran incidencia. Según la Sociedad Americana del Cáncer [3] 8 de cada 10 casos de cánceres de piel son casos de BCC. El aumento anual a nivel mundial de casos de BCC y de melanoma fortalece la premisa sobre la necesidad de desarrollar mejores técnicas de diagnóstico de lesiones de piel con la finalidad de realizar un diagnóstico temprano de la enfermedad y, a su vez, evitar biopsias innecesarias. En la actualidad se manejan dos líneas de trabajo. La primera es la inversión en nuevas técnicas para la adquisición de la imagen dermatoscópica, y la segunda está enfocada al desarrollo de sistemas de diagnóstico asistido (CAD) para el análisis automático de imágenes dermatoscópicas [4]. Las herramientas CAD desarrolladas, en su mayoría, se encuentran enfocadas a la detección de melanomas, dejando de lado al BCC, a pesar de presentar una elevada incidencia. Las aplicaciones CAD enfocadas a la detección de melanoma, generalmente, basan su funcionamiento en la aplicación de aprendizaje profundo, concretamente en redes neuronales profundas, apoyando su entrenamiento en bases de datos dermatoscópicas de carácter público como ISIC y HAM10000 [5, 6]. En la literatura existen varios trabajos que buscan clasificar lesiones de piel utilizando redes neuronales convolucionales (Convolutional Neural Network - CNN) y modelos ensamblados [1]. Así también, algunas investigaciones reflejan el interés existente en el reconocimiento del melanoma como, por ejemplo, el trabajo de Winkler et al. [7], que, utilizando modelos de CNN, realizaron la clasificación de melanomas en diversas localizaciones corporales. Otro ejemplo lo describen Vasconcelos y Vasconcelos [8], donde se utiliza la red convolucional profunda GoogLeNet y se modifican sus parámetros para identificar melanomas utilizando una base de datos reducida. Sin embargo, el número de trabajos centrado en el diagnóstico automático del BCC es muy limitado. La realización de este trabajo está motivada por la necesidad de contar con herramientas CAD que faciliten el diagnóstico del cáncer de piel, específicamente de BCC. Este trabajo no pretende excluir la presencia del médico, al contrario, lo que se desea es proveer al sanitario de atención primaria de una herramienta que permita incrementar la precisión de su diagnóstico y establecer una priorización en la atención de los pacientes. Introducción - 3 - Un sistema con el que se cuenta actualmente en numerosos hospitales públicos y privados es la teledermatología. En particular, en el Hospital Universitario Virgen Macarena de Sevilla (HUVM) se dispone de un sistema de teledermatología denominado Telederma. Esta es una aplicación que permite realizar consultas de dermatología a distancia. Con este sistema se pretende que la población en general tenga acceso a un diagnóstico dermatológico temprano, al realizar la consulta en los centros de atención primaria. Actualmente, sólo al Hospital Universitario Virgen Macarena de Sevilla (HUVM) llega un promedio de 315 consultas de dermatología al mes a través del sistema de teleconsulta. Por otra parte, al Hospital Virgen del Rocío de Sevilla (HUVR), llega un promedio de 938 consultas de dermatología al mes a través del sistema de teleconsulta. Al considerar el elevado número de teleconsultas que llegan mensualmente a los hospitales públicos, se hace necesario contar con una herramienta de triaje que permita la priorización de atención de las consultas que llegan al servicio de dermatología de los hospitales, y es aquí donde este trabajo de investigación pretende aportar a su solución. La combinación de sistemas CAD y la intervención humana incrementan la precisión del diagnóstico [9, 10], por lo que se podrían priorizar las consultas por nivel de gravedad de la lesión al mejorar el análisis de la imagen dermatoscópica, ya sea en la segmentación de la lesión con respecto a la piel sana, como en la clasificación de la lesión que lleva a su diagnóstico. II. Objetivos El objetivo de este trabajo de investigación es realizar el análisis automático de imágenes dermatoscópicas con especial énfasis en la detección de carcinoma basocelular. Este trabajo se centra en la clasificación de BCC debido al elevado número de casos existentes. Por otro lado, se encontró interesante trabajar con melanomas en el proceso de segmentación debido a la amplia existencia de literatura y de bases de datos que facilitan la comparación de resultados. Para alcanzar el objetivo general de este trabajo se han desglosado varios objetivos específicos que se describen a continuación:  Desarrollar un algoritmo de segmentación que permita separar la lesión de la piel sana, cuyo resultado pueda competir con los resultados existentes en la literatura, tanto en exactitud como en coste computacional.  Verificar la importancia de la segmentación de la imagen dermatoscópica en el proceso de clasificación de la lesión. Introducción - 4 -  Diseñar un algoritmo que permita la clasificación del carcinoma basocelular, no sólo con respecto al nevus, sino también considerando varios tipos de lesiones de piel. Estos tres objetivos específicos planteados buscan cubrir el objetivo general de este trabajo y están desarrollados en los cinco capítulos de este trabajo, donde se detallan cada una de las teorías aplicadas y el proceso realizado para alcanzar resultados óptimos. III. Descripción del documento Esta tesis está organizada de la siguiente manera: En el capítulo uno se describen las distintas bases de datos dermatoscópicas existentes, públicas y privadas, así como también los datos que contienen. En el capítulo dos se describen varias técnicas de aprendizaje profundo, así como el funcionamiento de distintas redes neuronales convolucionales. Además, se realiza una descripción de los procesos de aumento de datos y la transferencia del aprendizaje que benefician el entrenamiento de una red. El capítulo tres está enfocado a la descripción de las distintas metodologías de segmentación de una imagen dermatoscópica. Esto incluye las metodologías clásicas de segmentación supervisada y no supervisada, así como también las basadas en aprendizaje profundo. En este capítulo se encuentran descritos varios experimentos de segmentación realizados sobre la base de datos ISIC-2017 y sus respectivos resultados. El capítulo cuatro detalla varios procesos de aprendizaje de máquina para la extracción y selección de características con el objetivo de clasificar patrones globales presentes en una lesión dermatoscópica. Además, se presentan los experimentos realizados y sus respectivos resultados. En el capítulo cinco se describen los distintos métodos de clasificación de las imágenes dermatoscópicas y se presentan los experimentos y resultados de clasificación de lesiones, enfocándonos en el reconocimiento del carcinoma basocelular, clasificándolo versus nevus y versus distintos tipos de lesiones de piel. La base de datos utilizada para este fin fue ISIC 2019. Finalmente, se presentan las conclusiones y se añade una sección de Apéndices donde se encuentran adjuntas las publicaciones realizadas que reflejan los resultados obtenidos durante la realización de esta tesis. - 5 - CAPÍTULO 1. Bases de Datos Dermatoscópicas análisis de las lesiones de piel ha sido objeto de estudio durante décadas, esto debido a su incidencia en la población, ya que el cáncer de piel es uno de los tipos de cáncer más agresivos y comunes. Éste presenta una tasa de mortalidad muy alta, especialmente el melanoma, cuya tasa de mortalidad es del 1,62% más alta que los demás tipos de cáncer [11]. Según la Asociación Americana del Cáncer, en el 2022 habrá 99.780 nuevos casos de cáncer de piel tan sólo en Estados Unidos de Norte América, de los cuales 7.650 casos terminarán con la vida de los pacientes. La necesidad de la creación de sistemas CAD para acelerar los tiempos y precisión del diagnóstico de la lesión cutánea, priorizar las consultas y evitar biopsias innecesarias, se convierte en evidente ante la alta demanda en los servicios de dermalotología de los hospitales. La creación de estas herramientas precisa la existencia de bases de datos dermatoscópicas que permitan realizar los experimentos necesarios para su desarrollo. Una lesión cutánea puede contener distintos tipos de estructuras [12] y una variedad de colores y tonalidades [13, 14], es por esto que existe la necesidad de contar con bases de datos que permitan acceder a la mayor cantidad de casos posibles de imágenes dermatoscópicas. Estas bases de datos, no sólo facilitan la creación y el diseño de herramientas CAD, sino también facilitan el aprendizaje previo a la aplicación de distintas técnicas clínicas de diagnóstico, como la regla ABCDE [15, 16], la escala de Menzies [17] [18] o la regla de los 7 puntos planteada por Argenziano [19, 20]. Estas bases de datos dermatoscópicas, en su mayoría de acceso público, facilitan el trabajo de investigación de las enfermedades de la piel ya que proporcionan un sinnúmero de imágenes capturadas de pacientes reales, sobre las cuales es posible realizar el análisis de características y pruebas de los sistemas CAD desarrollados. Una ventaja de utilizar estas bases de datos es que presentan la información clasificada por tipo de lesión, tipos de estructuras presentes en ellas y en algunos casos incluyen información clínica del paciente. El Capítulo 1. Bases de Datos Dermatoscópicas - 6 - En este capítulo se realiza la descripción de varias bases de datos dermatoscópicas de acceso libre, que fueron utilizadas para el desarrollo de este trabajo de investigación. 1.1. Bases de datos de imágenes dermatoscópicas La necesidad de estudiar las lesiones cutáneas y, en particular, las potencialmente mortales para el paciente, ha llevado a especialistas de varios países a interesarse por construir bases de datos dermatoscópicas, ya sea con fines educativos, o con fines de investigación. Es así que, actualmente, existen varias bases de datos dermatoscópicas públicas y privadas. En este apartado se mencionan dos bases de datos: EDRA, que es una base de datos privada creada con fines formativos/educativos, y la base de datos ISIC, que cada año va incrementado su número de imágenes, es de libre acceso y fue creada con fines de investigación. Además, está la base de datos HAM10000, pero ésta fue incluida dentro de la base de datos ISIC, por lo que no se menciona de forma específica en este apartado. 1.1.1. EDRA EDRA es una base de datos de imágenes dermatoscópicas creada con fines educativos para formación y entrenamiento del personal médico a cargo del diagnóstico de lesiones de la piel. Su nombre completo es "The Interactive Atlas of Dermoscopy (EDRA)" o Atlas interactivo de dermatoscopia [19]. Esta base de datos posee más de 1000 casos clínicos con al menos dos imágenes de cada lesión, una imagen de la fotografía simple (denominada imagen clínica) y la imagen dermatoscópica. Las imágenes en su mayoría tienen una dimensión de 768×512 píxeles. Las fotografías fueron captadas con una cámara Nikon F3 montada en un microscopio estereoscópico Wild M650. Por otra parte, las dermatoscopias fueron adquiridas con un dermatoscopio Dermaphot / Optotechnik. Entre los 1000 casos de diagnóstico que incluye esta base de datos están los siguientes: melanoma y sus variaciones, carcinoma basocelular, nevus azul, nevus de Clark, nevus combinados, nevus congénitos, nevus dermales, dermatofibroma, lentigo, melanosis, nevus recurrente, nevus Rees, queratosis seborreica y las lesiones vasculares. Del mismo modo, incluye una sección donde se ubican diversos casos denominada sección de misceláneos [20]. Además de ser una base datos, EDRA funciona como una enciclopedia interactiva que ofrece varias opciones para la formación de profesionales, como el análisis de patrones, algoritmos de diagnóstico donde se puede aplicar tanto la regla ABCD como la regla de los Capítulo 1. Bases de Datos Dermatoscópicas - 7 - 7 puntos, algoritmos basado en el grosor de la lesión y finalmente la opción de comparar las lesiones y diferenciar sus diagnósticos. En las opciones de diagnóstico, esta base de datos permite identificar una lesión y muestra en detalle la ausencia o presencia de característica globales (patrones) y locales (estructuras) de la lesión. En esta opción se permite acceder a la imagen fotografiada y a la dermatoscopia, así como también se indica el diagnóstico de la lesión. La Figura 1.1 muestra una imagen de esta base de datos. Figura 1.1 EDRA - Base de datos. 1.1.2. ISIC ISIC son las siglas de "International Skin Imaging Collaboration" o Colaboración Internacional en Imágenes de Piel. Éste es un proyecto que incluye los ámbitos académico e industrial y está diseñado para facilitar la aplicación del procesamiento digital de imágenes con el objetivo de reducir la tasa de mortalidad del melanoma. El objetivo del proyecto Melanoma ISIC es colaborar y aportar en la lucha para reducir las muertes relacionadas con el melanoma y las biopsias innecesarias a través de la mejora en la precisión y eficiencia de la detección temprana [21]. - 15 - CAPÍTULO 2. Aprendizaje profundo esta sección se describen varios conceptos relacionados con el Aprendizaje Profundo (Deep-Learning - DL). El Aprendizaje Profundo es un tipo de aprendizaje automático que se basa en el uso de redes neuronales artificiales. Se denomina profundo porque emplear un número elevado de capas de neuronas. En particular, cuando se trata del procesamiento de imágenes, las redes neuronales convolucionales (Convolutional Neural Network - CNN) son las más utilizadas. Las redes neuronales convolucionales (CNN) están formadas por varias capas que transforman sus entradas utilizando filtros convolucionales de pequeña extensión. De esta forma se han creado modelos exitosos que se presentaron en el “ImageNet Challenge” [45], como el modelo de AlexNet y los modelos VGG y GloogleNet, también llamado Inception, de los cuales se hablará más adelante El éxito de las redes neuronales en el análisis de imágenes se debe a factores como: la capacidad de procesamiento de la unidad central de procesamiento (CPU) y de la unidad gráfica (GPU), la disponibilidad de bases de datos con gran cantidad de imágenes y el desarrollo de los algoritmos de aprendizaje. 2.1. Aprendizaje Máquina y Aprendizaje Profundo El Aprendizaje Máquina (Machine-Learning) es un conjunto de sistemas utilizados para identificar objetos, texto, palabras o seleccionar opciones de interés de un conjunto. Las técnicas convencionales de aprendizaje de máquina, en sus inicios, se limitaban a procesar datos naturales en su forma cruda (como los valores de los píxeles de una imagen) con una representación interna adecuada o vector de características, cuyo subsistema de aprendizaje podía detectar o clasificar patrones en la entrada [27]. El aprendizaje consiste en un conjunto de métodos que permiten a la máquina ser alimentada con datos crudos y descubrir de forma automática las representaciones necesarias para la detección o clasificación. En Capítulo 2. Redes Neuronales - 16 - El Aprendizaje Profundo puede ser definido como un tipo de aprendizaje máquina basado en redes neuronales artificiales (Artificial Neural Networks – ANNs) con un incremento en el número de sus capas ocultas [28]. Las arquitecturas basadas en redes neuronales convolucionales (Convolutional Neural Network – CNN) son las preferidas para las aplicaciones de visión por computador, ya que incluye extracción de características y poseen capacidad de clasificación. Una red neuronal con múltiples capas no lineales (con una profundidad de entre 5 y 20) puede implementar funciones extremadamente complejas, permitiendo que sea la máquina quien realice las tareas de extracción de características y clasificación. La primera capa típicamente representa la presencia o ausencia de bordes en una orientación y localización particular de la imagen. La segunda capa típicamente detecta los detalles fijando arreglos particulares en los bordes, sin importar las pequeñas variaciones en la posición de los mismos. La tercera capa puede ensamblar los detalles en combinaciones que corresponden a una parte de objetos familiares. Las capas siguientes pueden detectar objetos como una combinación de estas partes [29]. La clave del aprendizaje profundo radica en que estas capas de características no están diseñadas por el humano, sino que han sido obtenidas de los datos utilizando procedimientos de aprendizaje de propósito general. Figura 2.1 Aprendizaje Máquina Tradicional vs Aprendizaje Profundo. Los métodos de aprendizaje máquina están divididos en algoritmos de aprendizaje supervisado y no supervisado, y una buena descripción de los mismos se encuentra en el trabajo de Suganyadevi et al. [30]. Por otro lado, es importante considerar que la forma común del aprendizaje máquina es el aprendizaje supervisado, que se explica a continuación. 2.1.1. Aprendizaje supervisado En los algoritmos de aprendizaje supervisado se presenta un modelo con un conjunto de datos 𝐷={𝑥,𝑦}1𝑁 donde x es el conjunto de características e y es el conjunto de etiquetas Capítulo 2. Redes Neuronales - 17 - correspondientes, y N es el número total de características. El entrenamiento supervisado equivale a encontrar los parámetros θ que mejor predicen los datos basados en una función de pérdida L(y, ŷ). ŷ representa la salida del modelo obtenido al alimentar con x a la función f(x; θ) que representa el modelo [31]. Para construir un sistema que sea capaz de clasificar imágenes es necesario entrenar dicho sistema con una cantidad de imágenes adecuada, etiquetadas según su clase. Durante el entrenamiento, la máquina toma una imagen de entrada y genera como salida un vector con puntuaciones, y así se obtiene un vector por cada categoría. Se busca que la categoría deseada tenga la mayor puntuación entre todas las categorías, pero es poco probable que ocurra antes del entrenamiento. Para cumplir el objetivo de la clasificación es necesario calcular una función objetivo que mida el error (o distancia) entre las puntuaciones de salida y el patrón de puntuaciones deseado. La máquina modifica sus parámetros ajustables internos (llamados pesos) para reducir el error. En el caso de un sistema típico de aprendizaje profundo hay cientos de millones de estos pesos ajustables y será necesario un número elevado de ejemplos etiquetados para entrenar la máquina [29]. La optimización de los pesos se realiza mediante algoritmos basados en el Descenso del Gradiente y empleando la técnica de retropropagación. Para el correcto funcionamiento de los distintos algoritmos basados en el descenso del gradiente, es necesario fijar adecuadamente la tasa de aprendizaje h. Este parámetro es un factor decisivo para el tamaño del ajuste de los pesos realizado en cada iteración y por lo tanto afecta a la tasa de convergencia. En muchos casos puede necesitar varios procesos de prueba y error antes de encontrar un valor adecuado. Si el valor elegido para h es muy elevado, puede descender rápidamente hacia el mínimo, pero quedar oscilando alrededor de éste. Por otra parte, si el valor elegido de h es muy pequeño, el descenso va a progresar en pasos muy pequeños, incrementando significativamente el tiempo total de convergencia, aunque se acercará más al valor mínimo. 2.2. Redes Neuronales Convolucionales Las Redes Neuronales Convolucionales (Convolutional Neural Network - CNN) aprenden a realizar tareas de clasificación directamente de las imágenes, vídeos, texto o sonidos. Su utilidad se ha incrementado debido a los tres factores siguientes [32]:  Eliminan la necesidad de realizar una extracción manual de características, ya que éstas se aprenden directamente de la CNN.  Producen buenos resultados de clasificación. Capítulo 2. Redes Neuronales - 18 -  Pueden ser reentrenadas para nuevas tareas de reconocimiento, permitiendo la utilización de redes preexistentes. Las Redes Neuronales Convolucionales están diseñadas para procesar datos que vienen en forma de matrices múltiples, como es el caso de las imágenes en color, las cuales están compuestas por tres matrices de dos dimensiones (2D) que contienen información sobre la intensidad de los píxeles en los distintos espacios de color (RGB, LAB, HSV). Al igual que cualquier red neuronal, las redes neuronales convolucionales están compuestas por una capa de entrada, varias capas ocultas y una capa de salida. Una arquitectura típica está estructurada como una serie de etapas. Las primeras etapas están compuestas por capas convolucionales y capas de agrupamiento (pooling), con las que se realiza la extracción de características. Las últimas capas son capas totalmente conectadas y, por último, existe una capa Softmax se genera la salida como se muestra en la Figura 2.3. Figura 2.2 Diagrama esquemático de una Red Neuronal Convolucional. Las unidades en las capas convolucionales están organizadas en mapas de características. Internamente cada unidad está conectada a un área local en el mapa de características de las capas previas a través de un conjunto de pesos llamado banco de filtros [33]. A continuación, se describen las tareas de las capas más comunes [34, 35]:  Capa Convolucional: en esta capa las imágenes de entrada pasan a través de un conjunto de filtros convolucionales, cada uno de los cuales activan ciertas características de la imagen.  Unidad Lineal Rectificada (Rectified Linear Unit - ReLu): se trata de una función de activación que permite un entrenamiento más rápido y efectivo, ya que asigna un cero a los valores negativos y mantiene los valores positivos. Este proceso se conoce como proceso de activación, ya que sólo las características Capítulo 2. Redes Neuronales - 19 - activadas (no nulas) pasan a la siguiente capa. El comportamiento de esta función se muestra en la Figura 2.4. Figura 2.3 Función de activación ReLu.  Agrupación (pooling): esta capa realiza una disminución no lineal de la tasa de muestreo (downsampling), reduciendo el número de parámetros necesarios para que la red aprenda, simplificando la salida [36].  Capas Totalmente Conectadas (fully connected): generalmente se divide en dos, capa de entrada a la capa totalmente conectada, y la capa totalmente conectada. La primera toma las salidas de las capas anteriores y las "aplana" generando un vector de n dimensiones, donde n es el número de características de las capas de la etapa anterior; la segunda toma las entradas del análisis de características y aplica los pesos para realizar la predicción correctamente antes de pasar los datos a la capa Softmax [37].  Softmax: esta capa recibe los datos de la última capa y calcula la probabilidad para la ocurrencia de cada clase. Esta capa posee la misma cantidad de nodos que la capa de salida de resultados. En la Figura 2.5 se muestra un esquema del funcionamiento de las capas de una red neuronal convolucional. Si se quiere resumir el funcionamiento de una red neuronal convolucional en el procesamiento de imágenes, se puede decir que es necesario contar con una base de datos con miles de imágenes para realizar un entrenamiento óptimo y que la red sea capaz de capturar las características de cada objeto y generalizarlo. La entrada de la red son todos y cada uno de los píxeles que posee una imagen, es decir, si una imagen en escala de grises tiene como dimensiones 40×40 píxeles, se tendrán 1600 neuronas, pero si se trata de una imagen en color se tendrán 4800 neuronas en la entrada (al tener tres canales, ya sea el espacio de color RGB, HSV, LAB, o cualquier otro). Capítulo 2. Redes Neuronales - 20 - Figura 2.4 Diagrama del funcionamiento de las capas de una CNN. Editado de: [38] En la realización de esta tesis se utilizaron principalmente tres redes neuronales convolucionales: AlexNet, VGG-16 y GoogLeNet. Estas tres redes fueron utilizadas para procesos de segmentación, y clasificación de imágenes dermatoscópicas. A continuación, se detalla el funcionamiento y arquitectura de cada una de ellas. 2.2.1. AlexNet AlexNet es una red neuronal convolucional con 8 capas de profundidad que ha sido preentrenada con la base de datos ImageNet para el “ImageNet Large-ScaleVisual Recognition Challenge” (ILSVRC) [39], pudiendo clasificar más de 1000 categorías de objetos y aprender las características que los representan. El tamaño de la imagen de entrada que acepta esta red es de 227×227 píxeles. Esta red está formada por 8 capas, de las cuales las primeras 5 son capas convolucionales, algunas de ellas seguidas por capas de máximo agrupamiento, siendo las últimas capas totalmente conectadas. Esta red utiliza la función de activación ReLu. La salida de la última capa totalmente conectada alimenta a una capa Softmax, la cual se encarga de la distribución entre las 1000 clases etiquetadas [40]. En la Figura 2.6 se muestra el esquema de la arquitectura de red AlexNet [40]. Figura 2.5 Esquema representativo de la arquitectura de red AlexNet. Fuente: [41] Capítulo 2. Redes Neuronales - 21 - 2.2.2. VGG-16 VGG es uno de los varios modelos de redes neuronales convolucionales diseñados para el “ImageNet Large-ScaleVisual Recognition Challenge” (ILSVRC) [39]. La arquitectura del modelo VGG está descrita en [42]. La imagen pasa a través de una pila de capas. El paso de la convolución se ha fijado a un píxel, lo quegarantiza que la resolución espacial sea preservada después de la convolución. l Se realiza submuestreo aplicando 5 capas de máximo agrupamiento (max-pooling) intercaladas entre las capas convolucionales, con una ventana de 2×2 píxeles y un paso de 2. La pila de las capas convolucionales está seguida por 3 capas totalmente conectadas (fully connected - FC), cuya configuración es la misma para toda la red; de estas capas, las primeras 2 tienen 4096 canales cada una y la tercera realiza la clasificación de las 1000 imágenes del ILSVRC, por lo que contiene 1000 canales diferentes, uno para cada clase. La capa final es una capa Softmax, además es importante mencionar que todas las capas ocultas poseen una capa ReLu. En la Figura 2.7 se muestra un resumen de la arquitectura. Figura 2.6 Esquema representativo de la arquitectura de Red VGG-16. Editado de: [42] Capítulo 2. Redes Neuronales - 22 - 2.2.3. GoogLeNet GoogleNet [43] es una red neuronal convolucional, también conocida como Inception V1, existiendo las versiones 2, 3 y 4. Es una red con 22 capas de profundidad que ha sido preentrenada con la base de datos ImageNet y Places365. La red preentrenada con ImageNet es capaz de clasificar más de 1000 categorías de objetos y aprender las características que los representan. Por otra parte, la red preentrenada con Places365 es capaz de clasificar entre 365 categorías de lugares diferentes (parques, corredor, salón, etc.). La la red GoogLeNet se encuentra descrita en [42]. Su característica principal es el empleo de módulos Inception, como los mostrados en la Figura 2.8. Las características principales de estos módulos son, por un lado, el empleo en paralelo de convoluciones de distinto tamaño y concatenación de las salidas de dichas convoluciones y, por otro lado, el empleo de convoluciones 1×1 para reducir la dimensionalidad. Figura 2.7 Esquema representativo del módulo Inception. Editado de: [44] Capítulo 2. Redes Neuronales - 23 - Figura 2.8 Esquema de la red GoogLeNet. Editado de: [44] GoogLeNet tiene 22 capas de profundidad, si se cuentan tan sólo sus capas con parámetros, y 27 capas si se cuentan las capas de agrupamiento. Si se cuentan todas las capas utilizadas para la construcción de la red, independientemente del número de bloques, serán alrededor de 100. 2.3. Procesos que Benefician el Entrenamiento Los procesos que permiten optimizar el entrenamiento de una red neuronal y previenen que el modelo caiga en sobreajuste (overfitting) y el subajuste (underfitting) de datos son [45]: Aumento de Datos (Data Augmentation), Transferencia del Aprendizaje (Tranfer Learning) y Ajuste de Precisión (Fine Tunning), que se describen a continuación:  Aumento de datos: permite evitar el sobreajuste. Este proceso se realiza al incrementar de forma artificial el conjunto de datos de entrenamiento. El aumento de datos se puede alcanzar al aplicar transformaciones geométricas y de espacio de color o fotométricas a las imágenes [46]. A la base de datos ISIC-2017 se le Capítulo 3. Segmentación de Imágenes Dermatoscópicas - 30 - Para este trabajo se utilizó una red VGG-16 preentrenada con la base de datos ImageNet [45]. Se extrajo un conjunto de imágenes de la cuarta capa convolucional de la red VGG- 16. Estas imágenes fueron normalizadas y filtradas aplicando un filtro Gaussiano con una desviación estándar igual a 2, antes de ser sumadas. Fue necesario redimensionarlas, ya que después de cada salida del filtro convolucional, éstas poseen distintas dimensiones (224×224×64 en las dos primeras capas y 112×112×128 en las dos capas siguientes). Un ejemplo de estas imágenes, después de haber sido redimensionadas, se puede observar en la Figura 3.4. Finalmente, se aplicó una umbralización utilizando el método de Otsu y operaciones morfológicas (dilatación y relleno de huecos) a la máscara cruda (Raw Mask - RM), para obtener el resultado de segmentación final. Un esquema de este algoritmo se muestra en la Figura 3.5. Figura 3.4 Imágenes de las 4 primeras capas convolucionales de la red VGG-16 una vez normalizadas. Figura 3.5 Esquema del proceso de obtención de una máscara utilizando imágenes convolucionales (RM: Raw Mask). Capítulo 3. Segmentación de Imágenes Dermatoscópicas - 31 - 3.2.2.2. Segmentación semántica con la red neuronal profunda SegNet La segmentación semántica permite identificar un objeto en la imagen al clasificar cada píxel en clases etiquetadas. Como fue descrito por Badrinarayanan et al. [67], SegNet es una arquitectura de Red Totalmente Convolucional (Fully Convolutional Network - FCN) cuyo codificador es topológicamente similar a las capas convolucionales de una VGG-16, pero sin sus capas totalmente conectadas. Las convoluciones son realizadas con un banco de filtros. La última capa del decodificador trabaja como un clasificador Softmax, el cual permite obtener etiquetas segmentadas predichas para cada píxel como salida, donde cada etiqueta está asociada a una clase existente. SegNet admite como entrada un mapa de características o una imagen. Para este trabajo se definieron dos clases, piel y lesión. Las imágenes fueron redimensionadas de su tamaño original 4288×2848×3 píxeles a 224×224×3 en el espacio RGB, siendo éste el tamaño de la imagen de entrada requerido por la DNN. El primer paso fue crear una red DAG [70], que utiliza un grafo acíclico dirigido (Directed Acyclic Graph – DAG) , el cual es un tipo especial de grafo que permite representar datos relacionados de forma única y sin ciclos. Las capas de la red DAG se convierten en las capas de la arquitectura SegNet. A la entrada de la red DAG llega cada una de las imágenes a segmentar, con una dimensión de 224×224×3. La red DAG fue preinicializada con capas y pesos obtenidos de una CNN VGG-16 preentrenada. La arquitectura de la red DAG creada se muestra en la Figura 3.6, donde se observa la imagen de entrada, la estructura del DAG configurado con los pesos de la CNN VGG-16 y sus respectivas conexiones. Capítulo 3. Segmentación de Imágenes Dermatoscópicas - 32 - Figura 3.6 DAG configurado para el proceso de segmentación. Capítulo 3. Segmentación de Imágenes Dermatoscópicas - 33 - 3.3. Resultados comparativos Para comparar las metodologías de segmentación descritas en este capítulo, se utilizó la base de datos ISIC-2017, ya que ésta posee la imagen dermatoscópica junto con su máscara de verdad de referencia (ground truth mask). Asimismo, se establecieron las métricas de comparación, las cuales se describen a continuación. 3.3.1 Métricas para evaluar un algoritmo de segmentación Una vez que una imagen ha sido segmentada es necesario evaluar la calidad de dicho proceso, y para esto se han desarrollado distintas formas de medir la similitud entre la imagen original y la imagen segmentada. A estas métricas se las conoce como coeficientes de similitud y a continuación, en la Tabla 3.1 se describe cada una de ellas utilizando los valores de verdadero positivo (True Positive - TP), falso positivo (False Positive - FP), verdadero negativo (True Negative - TN) y falso negativo (False Negative - FN). Tabla 3.1 Coeficientes de similitud [71]. Coeficientes Expresión Intervalo de Ocurrencia Jaccard TP TP+FP+TN [0,1] Sorensen-Dice 2TP 2TP+FP+TN [0,1] Los coeficientes descritos en la Tabla 3.1 son los que se utilizan con mayor frecuencia para medir la exactitud del proceso de segmentación. Estos coeficientes se describen a continuación:  Sorensen-DICE [72] conocido como DICE: sirve para medir el número de muestras que comparten dos conjuntos de muestras. Los valores de este coeficiente varían dentro del rango de [0, 1].  Jaccard o índice Jaccard, descrito en [73], permite medir la similitud de dos conjuntos de muestras binarias. Los valores de este índice pueden variar entre 0 y 1. Otros coeficientes que se utilizan para verificar el correcto funcionamiento de un algoritmo, no solo de segmentación sino también de clasificación, son los coeficientes de Sensibilidad (Sensitivity - Se), Especificidad (Specificity - Sp) y Exactitud (Accuracy - Acc) [74]. Capítulo 3. Segmentación de Imágenes Dermatoscópicas - 34 - Sensibilidad= TP TP+FN (3.1) Especificidad= TN TN+FP (3.2) Exactitud= TP+TN TP+TN+FP+FN (3.3) La Sensibilidad también es conocida como Recall y sirve para detectar el número de casos reales positivos, mientras que la Especificidad detecta el número de casos reales negativos. 3.3.2. Base de datos y parámetros de evaluación La base de datos ISIC-2017 provee 2.000 imágenes de entrenamiento, 600 imágenes de prueba y 200 imágenes de validación, aunque estas últimas no fueron utilizadas para la medición de las metodologías presentadas. Esta base de datos fue considerada debido a que no sólo posee las imágenes dermatoscópicas de las lesiones, sino también ofrece las imágenes de segmentación de la verdad de referencia o “ground-truth” que permiten evaluar la metodología de una forma eficaz. Los parámetros considerados para la evaluación de la metodología de segmentación fueron las siguientes: DICE, Jaccard, exactitud, sensibilidad y especificidad. Las métricas DICE y Jaccard se consideraron ya que, como se explicó anteriormente, son las métricas que mejor miden la exactitud de un proceso de segmentación. Por otro lado, los valores de exactitud, sensibilidad y especificidad fueron considerados por su capacidad de evaluar el funcionamiento de un algoritmo. Considerando el parámetro de exactitud, DICE y Jaccard los resultados de segmentación resaltan el comportamiento de la SegNet preinicializada con los pesos de las capas de la CNN VGG-16, mejorando a los demás métodos utilizados para realizar el proceso de segmentación de imágenes dermatoscópicas. En cuanto al comportamiento de cada metodología resulta importante mencionar que la segmentación semántica presenta un alto coste computacional en contraste con la segmentación basada en umbralizar las capas convolucionales, que consume un 72,6% de este coste, mientras que la segmentación basada en minimización de energías consume un 12,33% del total del coste computacional de una segmentación semántica. Esta metodología utiliza una VGG-16, y extrae información de las primeras 4 capas convolucionales. Capítulo 3. Segmentación de Imágenes Dermatoscópicas - 35 - 3.3.3. Comparación de los métodos propuestos A continuación, se realiza la comparación de resultados obtenidos después de aplicar el método no supervisado basado en minimización de energía y los dos métodos de segmentación basados en aprendizaje profundo. En el caso del método de segmentación basado en la red neuronal Segnet se utilizó un optimizador del gradiente estocástico descendiente con momentum – SGDM (Stochastic gradient descent with momentum). Los demás parámetros de entrenamiento se fijaron con los siguientes valores:  Momentum: 0,9  Tamaño del mini-batch: 5  Número de épocas: 200  Tasa de aprendizaje inicial: 0,001  Disminución de pesos (L2Regularization –weight decay): 0,005 La red fue entrenada con 2000 imágenes, que después del proceso de aumento de datos se incrementaron a 18000 imágenes obtenidas del conjunto de entrenamiento de la base de datos ISIC-2017. La red DAG entrenada fue utilizada como arquitectura de red de una CNN SegNet con un codificador de profundidad 5, obteniendo una SegNet con 91 capas y 100 conexiones. El aumento de datos que se aplicó consistió en rotaciones aleatorias en el rango angular de -30 a 30 grados, traslaciones sobre los ejes X e Y en intervalos de -10 y 10 píxeles, reflexiones horizontales y verticales, y escalado con factor aleatorio entre 0,9 y 1,1. Todas estas operaciones seleccionaron sus valores aleatorios de una distribución continua uniforme. Más allá de los resultados de la segmentación en cuanto a los valores de las métricas, resulta interesante discutir las ventajas y desventajas de cada metodología. El coste computacional es uno de estos parámetros, y como se mencionó anteriormente existe una gran diferencia en cada caso. Otro aspecto interesante, es el análisis del nivel de exactitud requerido según cada aplicación, ya que la segmentación basada en histogramas permite obtener resultados aceptables considerando el mínimo coste computacional y es útil si se trabaja con una cantidad de imágenes reducida. En la Tabla 3.2 se muestran los parámetros de evaluación de la segmentación para cada una de las imágenes de la Figura 3.7, donde se representa gráficamente la comparación de las metodologías propuestas, aplicadas a cuatro imágenes dermatoscópicas. Además, en la Tabla 3.3 se muestran los parámetros de evaluación de cada método de segmentación obtenidos de forma global después de evaluar la segmentación del conjunto de prueba de la base de datos ISIC 2017. Capítulo 3. Segmentación de Imágenes Dermatoscópicas - 36 - Tabla 3.2 Resultados de la segmentación de cuatro imágenes de la base de datos ISIC 2017, según las metodologías aplicadas. Imagen Metodología DICE Jac Acc Se Sp a. ISIC 0014392 Segmentación semántica 0,9326 0,8738 1,0000 0,9685 0,8738 Segmentación por minimización de energías 0,9116 0,8376 0,9594 0,8382 0,9997 Segmentación por umbralización de imágenes convolucionales 0,8938 0,8081 0,9503 0,8383 0,9875 b. ISIC 0012134 Segmentación semántica 0,9460 0,8976 0,9829 0,9654 0,9291 Segmentación por minimización de energías 0,7466 0,5956 0,8678 0,5956 1,0000 Segmentación por umbralización de imágenes convolucionales 0,8351 0,7168 0,9075 0,7168 1,0000 c. ISIC 0012272 Segmentación semántica 0,8438 0,7299 0,9891 0,9046 0,7449 Segmentación por minimización de energías 0,7487 0,5984 0,6703 0,6100 0,9197 Segmentación por umbralización de imágenes convolucionales 0,5720 0,4005 0,5172 0,4005 1,0000 d. ISIC 0015436 Segmentación semántica 0,9551 0,9141 0,9672 0,9757 0,9999 Segmentación por minimización de energías 0,9181 0,8486 0,9539 0,9979 0,9386 Segmentación por umbralización de imágenes convolucionales 0,8534 0,7442 0,9191 0,9094 0,9223 Capítulo 3. Segmentación de Imágenes Dermatoscópicas - 37 - Tabla 3. 3 Comparación de las metodologías de segmentación para el conjunto de test de la base de datos de ISIC-2017. Metodología DICE Jac Acc Se Sp Segmentación semántica 0,8548 0,7730 0,9557 0,8533 0,9632 Segmentación por minimización de energías 0,5937 0,4927 0,8647 0,6020 0,9131 Segmentación por umbralización de imágenes convolucionales 0,5853 0,4700 0,8170 0,8627 0,8690 3.3.4. Comparación del mejor método propuesto con otros de la literatura En la literatura existen un sinnúmero de metodologías de segmentación supervisados y no supervisados. En este este apartado se han considerado trabajos que han utilizado la base de datos ISIC-2017 y que evaluaron su proceso de segmentación con los mismos parámetros considerados en este trabajo. En la Tabla 3.4 se muestra la comparación de 14 metodologías de segmentación, tanto supervisada como no supervisada, donde se encuentran incluidos los resultados del proceso de segmentación desarrollado en este trabajo. Esta tabla muestra el resultado de segmentar las 600 imágenes del conjunto de prueba (test) de la base de datos ISIC-2017. En términos del coeficiente DICE, el método que mejor valor obtuvo fue el presentado por Al-masni et al. [61] con un valor de 0,8708 frente a un 0,8504 obtenido por el método propuesto en este trabajo. Por otra parte, en términos del coeficiente Jaccard el método con un mejor valor fue el propuesto por Tang et al. [57] con un valor de 0,7926 frente a un 0,7730 obtenido por el método propuesto en este trabajo. Como se puede observar, los valores obtenidos por la metodología planteada en este trabajo, si bien no superan a otros métodos, sí permite obtener parámetros de segmentación muy cercanos a los óptimos en todas las métricas. Capítulo 3. Segmentación de Imágenes Dermatoscópicas - 38 - Figura 3.7 Imágenes segmentadas. Para las imágenes a, b, c, d, la primera fila muestra la imagen original, la máscara y el resultado segmentado. Para las 4 imágenes, las filas 2, 3 y 4 representan la máscara y la segmentación obtenidas por el método de segmentación semántica, segmentación por minimización de energías y segmentación utilizando imágenes convolucionales. Capítulo 3. Segmentación de Imágenes Dermatoscópicas - 39 - Tabla 3.4 Resultados de segmentación tras aplicar distintos procesos. Ref. Metodología DICE Jac Acc Se Sp [56] FCDN- Primer lugar en el reto ISBI-2017 0,8490 0,7650 0,9340 0,8250 0,9750 [53] GrabCut y k-medias 0,7141 0,6048 0,8779 0,7568 0,9613 [75] Optimización por enjambre 0,7677 - - - - [54] Clasificación Fuzzy e histogramas 0,7600 0,6650 0,8840 0,8690 0,9230 [57] Separable-UNet modelo con esquema de pesos estocástico 0,8693 0,7926 0,9431 0,8953 0,9632 [76] Pre procesamiento + CNN + Postprocesamiento 0,8550 - 0,9360 0,8290 0,9510 [59] LIN (Red de lesión indexada en una FCRN-88) 0,8390 0,7530 0,9500 0,8550 0,9740 [58] Red de rotación equivalente profundamente supervisada 0,8560 0,7723 0,9355 0,8540 0,9715 [55] Modelo SDI 0,7820 0,6920 0,8880 0,8130 0,9270 [77] DCL-PSI 0,8566 0,7773 0,9408 0,8620 0,9671 [61] Arquitectura FrCN 0,8708 0,7711 0,9403 0,8540 0,9669 [62] Modelo LinkNet152 0,8530 0,7700 - - - ** Esta contribución: SegNet 0,8548 0,7730 0,9357 0,8533 0,9632 Capítulo 4. Aprendizaje de Máquina para Detección de Patrones Globales - 46 - Métodos de filtrado del dominio espacial o métodos espaciales, se encuentran principalmente enfocados en medir la densidad de los bordes por unidad de área. Este proceso se realiza al aplicar filtros en una imagen en el dominio espacial y, a través de un análisis inverso, la información de la imagen original es recuperada. Esta categoría une a los métodos que están basados en filtros lineales y textons, así como también otros no lineales, como los patrones binarios locales [86]. En este grupo de métodos se incluyen:  Leyes de energía de las máscaras (Laws Energy Masks – LEM) [90].  Textons, [91].  Patrones binarios locales (Local Binary Pattern – LBP) [92] [93].  Histograma de gradientes orientados (Histogram of Oriented Gradients – HOG) [94]. Métodos basados en modelos Describen o sintetizan la textura de una imagen con un modelo matemático. Los parámetros estimados del modelo capturan la naturaleza de la textura. Su desventaja es la complejidad computacional usualmente envuelta en la estimación de sus parámetros. Algunos de estos métodos son:  Campos aleatorios de Markov [95].  Modelos fractales [96].  Modelos autorregresivos [97]. Modelos de Transformadas Generan un grupo de características desde imágenes transformadas a un espacio cuyo sistema de coordenadas tiene una interpretación específica, como frecuencia o espacio de escala. Entre estos modelos se encuentran los siguientes:  La Transformada Discreta de Fourier (Discrete Fourier Transform – DFT) [98].  Wavelets [115].  Filtros Gabor y la transformada Gabor Wavelet – GWT [99]. 4.1.2. División de la imagen en superpíxeles La extracción de características está ligada al proceso de segmentación de la imagen. Como paso inicial se segmentó la lesión de la piel sana. Para la identificación de los patrones locales de la lesión (características) se realizó la segmentación de la misma utilizando superpíxeles. Un superpíxel agrupa conjuntos de píxeles con características similares dentro de una imagen. Para dividir la lesión en superpíxeles se aplicó el algoritmo de agrupación iterativa lineal simple – SLIC (Simple Linear Iterative Clustering). Capítulo 4. Aprendizaje de Máquina para Detección de Patrones Globales - 47 - El algoritmo SLIC crea superpíxeles basados en el espacio 5D (5 dimensiones), el cual está definido por el espacio de color LAB y las coordenadas (x,y) para cada píxel. SLIC requiere un parámetro externo K, el cual indica el número de superpíxeles a crear, de tal manera que los grupos pueden ser creados de un tamaño lo suficientemente grande para considerar toda la información de la región. A partir de este parámetro, se calcula el intervalo de malla, S, como: 𝑆= √𝑁 𝐾 (4.10) S2 puede considerarse como una aproximación de área de los superpíxeles. También se puede especificar el valor de compacidad de los superpíxeles, m. El algoritmo sugiere un intervalo entre 1 y 20. El algoritmo requiere el cálculo del centroide de cada superpíxel, que se denota por Ck= [lk, ak, bk, xk, yk]T. A partir de estos parémetros, el algoritmo SLIC calcula la distancia normalizada DS según la ecuación 4.11: 𝐷𝑠=𝑑𝑙𝑎𝑏+𝑚 𝑆 𝑑𝑥𝑦 (4.12) en donde dlab representa la distancia euclídea en el espacio CIELAB entre el píxel y el centroide del superpíxel, como se expresa en la ecuación (4.12.) y dxy representa la distancia espacial entre el píxel y el superpíxel, tal y como se expresa en la ecuación 4.13. dlab=((lk - li)2+(ak - ai)2+(bk - bi)2)1/2 (4.12) dxy=((xk - xi)2+(yk - yi)2)1/2 (4.13) SLIC aplica un algoritmo de agrupamiento que, iterativamente, asigna cada píxel al superpíxel para el que su distancia normalizada es menor y recalcula los centroides de cada superpíxel. Una vez obtenidos los superpíxeles dentro de la lesión, se analiza cada uno, para así identificar por medio de un proceso de clasificación el tipo de patrón o característica que posee. La Figura 4.3 ilustra el funcionamiento del algoritmo SLIC y la agrupación de superpíxeles en una imagen dermatoscópica. Además, esta figura contiene una muestra de los superpíxeles extraídos. Capítulo 4. Aprendizaje de Máquina para Detección de Patrones Globales - 48 - Tras la división de la lesión en superpíxeles, se realizó el análisis de cada superpíxel utilizando la matriz GLCM, de la cual se obtuvieron los valores de contraste, correlación, energía, entropía, homogeneidad y máxima probabilidad. Figura 4.3 Imagen dermatoscópica con la lesión segmentada en superpíxeles. En la fila inferior se expone una muestra de 4 superpíxeles pertenecientes a la lesión. 4.2. Selección de Características La selección de características tiene como objetivo reducir el mapa de dimensiones {𝑦𝑗 }𝑗=1 𝑑 obtenido en el proceso de extracción de características [85]. Este proceso implica obtener un subconjunto optimizado de características con un alto poder de discriminación, sin redundancias y sin datos irrelevantes, simplificando los procesos computacionales al momento de aplicar un clasificador [100]. Para obtener un subconjunto de características que cumpla con el objetivo de la selección de características, es necesario descartar todos los elementos de {𝑦𝑗 }𝑗=1 𝑑, a los que llamaremos variables, que no sean relevantes. Para lograr esto, tal como se detalla en [101], es posible determinar la influencia de cada variable sobre el resultado de la inferencia del bloque de aprendizaje, o intentar asignar una puntuación a cada característica de entrada según una métrica de selección determinada y elegir las variables con las puntuaciones más altas. Una vez que se realiza este proceso, es posible que existan variables redundantes al tener una alta correlación entre sí, por lo que varios algoritmos de selección de características categorizan las variables de {𝑦𝑗 }𝑗=1 𝑑 en dos categorías: características con una alta relevancia, ya que si se descarta una de estas variables el resultado de la Capítulo 4. Aprendizaje de Máquina para Detección de Patrones Globales - 49 - clasificación disminuye su precisión; categorías con relevancia baja, en cuyo caso, si se elimina esta variable la clasificación no empeora pero si son descartadas del subconjunto de características seleccionado, se generará una disminución en el rendimiento del clasificador. Además, es necesario que el algoritmo de selección de características sea capaz de identificar y eliminar todas aquellas características cuya relevancia no sea alta ni baja y que no afectarán a la clasificación final. Si se considera un número d de características, el número total posible de subconjuntos que se podrán generar a partir de {𝑦𝑗 }𝑗=1 𝑑 será de 2d, y sería inviable enumerar el número exponencial de subconjuntos de características si d es demasiado grande. Por lo tanto, es necesario encontrar un método que evalúe los subconjuntos en un tiempo razonable [100]. La evaluación de los subconjuntos está basada en un criterio, el cual puede ser categorizado como uno de los siguientes métodos: filtro y envolvente. 4.2.1. Métodos de Filtro Se los conoce como métodos de filtro porque filtran las características antes de alimentar un modelo de aprendizaje. Estos métodos están basados en dos conceptos, relevancia y redundancia. La relevancia es la dependencia (correlación) de la característica con el objetivo y la redundancia se encarga de verificar si las características comparten información redundante [85]. Dentro de estos métodos, los más comunes son:  Criterio de Correlación también conocido como Dependencia Medida y está basado en la relevancia (poder de predicción) de cada característica [102].  Información Mutua, también conocida como Ganancia de Información, es la medida de la dependencia o información compartida entre dos variables aleatorias [103].  Estadísticos Χ2, mide la dependencia (relevancia) de la aparición de características en el valor objetivo, y se basa en la distribución de probabilidad Χ2 [104].  Markov Blanket, es un método basado en la relevancia y que considera a cada característica y a cada objetivo como un nodo en una red Bayesiana [105].  Filtros basados en consistencia, que usan una medida de consistencia basada en la relevancia y la redundancia.s un criterio de selección que pretende retener el poder de discriminación de los datos definidos por las características originales [106].  Filtro basado en Correlación rápida [107], utiliza una medida basada en la entropía llamada incertidumbre simétrica para encontrar correlación tanto para la relevancia como para la redundancia.  Interacción [108]. Puesto quealgunas características podría no tener ningún efecto de forma individual pero junto a otras características dan alta correlación con el objetivo y aumentan el rendimiento de la clasificación, este método encuentra de Capítulo 4. Aprendizaje de Máquina para Detección de Patrones Globales - 50 - forma eficiente las interacciones entre las características para llevar a cabo la selección de características.  Redundancia Mínima – Máxima Relevancia [109], que está basado en maximizar la relevancia y minimizar la redundancia de las características. 4.2.2. Métodos envolventes Estos métodos integran el modelo dentro de la búsqueda de subconjuntos de características, generando diferentes subconjuntos de características y los evalúa entrenando y probándolo en el modelo. De esta forma, el algoritmo para la búsqueda del mejor subconjunto subóptimo del conjunto de características, está esencialmente envuelto alrededor del modelo. Para generar los distintos subconjuntos de características a explorar, estos métodos emplean la búsqueda heurística. Estos métodos de búsqueda se pueden dividir en dos categorías: Secuenciales y Metaheurísticos.  Métodos de selección secuencial, también llamados secuenciales debido a la naturaleza iterativa del algoritmo. Su funcionamiento se basa en añadir o eliminar características del subconjunto de éstas, basándose en un criterio de selección. Este método es una forma común de selección de características y posee dos componentes que son: función objetivo y un algoritmo de búsqueda secuencial [100].  Función Objetivo: también conocida como criterio, es el método que busca minimizar el subconjunto de características sobre todas las opciones posibles. Los criterios comunes son el error mínimo cuadrado y la tasa de error de clasificación, utilizados para modelos de regresión y modelos de clasificación respectivamente.  Algoritmo de búsqueda secuencial: este algoritmo se encargará de añadir o eliminar características del subconjunto candidato mientras evalúa el criterio. Debido a que realizar una comparación del valor del criterio a los 2d subconjuntos donde d es el número de características factibles muy costoso computacionalmente, este método realiza búsquedas secuenciales en una sola dirección (siempre crece o siempre decrece el número de características). Considerando que este método realiza la búsqueda tan solo en dos direcciones posibles y una a la vez, se tienen dos variantes: selección secuencial hacia adelante, SFS (Sequential Forward Selection), y selección secuencial hacia atrás, SBS (Sequential Backward Selection) [110, 111]. Capítulo 4. Aprendizaje de Máquina para Detección de Patrones Globales - 51 -  Métodos Metaheurísticos, estos algoritmos tienen una baja complejidad de implementación y se pueden adaptar a una gran cantidad de problemas. Además, estos algoritmos son menos propensos a atascarse en un óptimo local en comparación con los otros métodos secuenciales, donde la función objetivo es el desempeño del modelo. 4.3. Experimentos para la detección de patrones globales En este apartado se describe la metodología basada en Aprendizaje Máquina que se ha seguido para determinación de los patrones globales presentes en una lesión. . En primer lugar, se segmentó la lesión, tal y como se describe en el capítulo 3. A continuación, la lesión se divide en regiones de textura homogénea mediante el algoritmo SLIC, tal y como se detalla en el apartado 4.3.1. A continuación se extrajeron características de textura, como se describe en el apartado 4.3.2, y, tras una selección de característica, se emplean para clasificar los patrones presentes en la lesión (apartado 4.3.3). 4.3.1. Segmentación de la lesión para identificar características locales Habiendo aislado a la lesión de la piel sana se procedió a segmentar la lesión, utilizando los superpíxeles obtenidos al aplicar el algoritmo SLIC. Para esto se utilizaron como valores de los parámetros: K=100 para el número máximo de superpíxeles en cada lesión, y m= 1000 como valor de la compacidad con el objetivo de obtener superpíxeles con formas regulares. Una vez obtenidos los superpíxeles, cada uno de ellos fue analizado como una imagen individual En la Figura 4.4 se muestra la división de una lesión en superpíxeles. a. b. c. Figura 4.4 Obtención del recorte. a) SLIC aplicado a la imagen dermatoscópica. b) Superpíxel aislado. c) Recorte en escala de grises. Capítulo 4. Aprendizaje de Máquina para Detección de Patrones Globales - 52 - Cada recorte fue postprocesado realizando un reescalado de los niveles de gris para realzar los bordes dentro de la lesión. El postprocesamiento del recorteI,se realizó siguiendo los siguientes pasos:  Primero, se aplicó el filtro de mediana de la imagen I y la salida se asignó a J.  Segundo, a la nueva imagen J se le aplicó un filtro de realce (unsharp masking). Los parámetros aplicados en el enmascaramiento que permiten obtener una imagen con los bordes de la lesión realzados fueron: desviación estándar del filtro paso baja que se sustrae de la imagen original igual a 7, y el factor por el que se multiplica el término de realce, que se suma a la imagen original, que fue 1,5. De esta manera se pudo disponer de una región con aumento del contraste, como se observa en la Figura 4.5. a. b. c. Figura 4.5 a) Recorte original. b) Imagen filtrada. c) Realce. 4.3.2. Extracción de características de los recortes de textura Para obtener las características de textura se aplicaron métodos estadísticos. En primer lugar, se extrajeron los primeros cuatro parámetros estadísticos del histograma, que son: media, varianza, torsión y curtosis; un ejemplo de estos histogramas se muestra en la Figura 4.6. Por otra parte, el segundo conjunto de parámetros fue obtenido utilizando información de la matriz GLCM. Para esto se establecieron los siguientes valores de distancia d, yorientación, θ, : d = [1,3,6,] θ = [0°, 45°, 90°,135°] De cada una de las matrices GLCM se extrajeron los siguientes parámetros: contraste, correlación, energía, homogeneidad, entropía y máxima probabilidad (ecuaciones 4.1 a 4.9), Por último, se creó una matriz de características por con los parámetros obtenidos de los estadísticos de primer y segundo orden. Cada matriz está compuesta por n filas por 72 columnas, siendo 72 el número de parámetros extraídos a cada recorete y, n el número de recortes (superpíxeles) de la lesión. Capítulo 4. Aprendizaje de Máquina para Detección de Patrones Globales - 53 - Figura 4.6 Recortes. a,b,c,d,e) Recorte Empedrado: original, escala de grises, recorte postprocesado, histograma del recorte en escala de grises e histograma del recorte postprocesado. f,g,h,i,j) Recorte Homogéneo: original, escala de grises, recorte postprocesado, histograma del recorte en escala de grises e histograma del recorte postprocesado. k,l,m,n,o) Recorte Reticular: original, escala de grises, recorte postprocesado, histograma del recorte en escala de grises e histograma del recorte postprocesado. 4.3.3. Selección de características y clasificación Se realizó la extracción de 126 recortes y de todos éstos se procedió a extraer sus características en una matriz descrita en la ecuación 4.14, formada por 126×76 elementos. Como se observa, es una matriz con un volumen extenso de datos y es por esto que se procedió a la selección de características. 𝑉= [𝑣1,1 ⋯ 𝑣1,76 ⋮ ⋱ ⋮ 𝑣126,1 ⋯ 𝑣126,76] (4.14) Capítulo 4. Aprendizaje de Máquina para Detección de Patrones Globales - 54 - Para la selección de características se utilizaron los algoritmos de Selección Secuencial hacia Adelante (SFS) y Selección Secuencial hacia Atrás (SBS). Cada variable de la matriz V se normalizó antes de aplicar los algoritmos SFS y SBS. Con las características seleccionadas por ambos algoritmos, se creó una nueva matriz de características S, cuyas dimensiones son 126×n, siendo n el número de características seleccionadas. SBS=[sbs1,…,sbsa] SFS=[sfs1,…, sfsb] (4.15) N= a+b S=[𝑠1,1 ⋯ 𝑠1,𝑛 ⋮ ⋱ ⋮ 𝑠126,1 ⋯ 𝑠126,𝑛] (4.16) Las características finalmente seleccionadas se describen en la Tabla 4.1, donde se indica las características seleccionadas a una distancia e inclinación determinadas. Se observa la gran reducción en el número de características que han pasado de un conjunto de 76 a 10. Tabla 4. 1 Características seleccionadas. Característica Distancia (d) Inclinación (θ) Contraste 1 0° Contraste 1 90° Contraste 3 90° Correlación 1 0° Correlación 6 0° Correlación 1 45° Energía 1 90° Energía 1 135° Máxima Probabilidad 3 0° Máxima Probabilidad 6 0° El clasificador utilizado consiste en un árbol de decisión con análisis de componente principales (Principal Components Analysis - PCA) [112]. Para el diseño del árbol de decisión, se le introduce como entrada i1=S e i2=F, siendo F un vector que contiene la clase asociada a cada recorte relacionado con la variable categórica. Capítulo 4. Aprendizaje de Máquina para Detección de Patrones Globales - 55 - 𝐹= [ 𝐸𝑚𝑝𝑒𝑑𝑟𝑎𝑑𝑜 … 𝐸𝑚𝑝𝑒𝑑𝑟𝑎𝑑𝑜 𝐻𝑜𝑚𝑜𝑔é𝑛𝑒𝑜 … 𝐻𝑜𝑚𝑜𝑔é𝑛𝑒𝑜 𝑅𝑒𝑡𝑖𝑐𝑢𝑙𝑎𝑟 … 𝑅𝑒𝑡𝑖𝑐𝑢𝑙𝑎𝑟 ] (4.17) Como resultado de aplicar el árbol de decisión con PCA, se obtuvo un clasificador denotado como E. Este clasificador E está compuesto por dos elementos principales: el árbol de decisión y los coeficientes PCA. A su vez, el árbol de decisión tiene tres componentes principales: la matriz Z que contiene las características seleccionadas de S; el vector F con el nombre de la clase a la que pertenece cada muestra de entrenamiento; y finalmente el vector c que contiene los nombres de las clases etiquetadas después de la clasificación. Por otro lado, los coeficientes PCA muestran la correlación de las variables originales con las componentes principales, que recogen la mayor parte de la variabilidad. Esto se puede observar en la Figura 4.7. Figura 4.7 Esquema del clasificador 4.4. Resultados Al aplicar el clasificador E se obtuvo una exactitud del 99,2% en la clasificación entre tres patrones: homogéneo, empedrado y reticular. El número de muestras que se utilizaron se describen en la Tabla 4.1 y a partir de éstas, el algoritmo encontró las regiones de decisión sobre el conjunto de muestras suministrado. En la Figura 4.8 se muestran las predicciones realizadas por el modelo. Tabla 4. 2 Muestras de entrenamiento. Valor Cantidad Porcentaje Empedrado 28 22,22% Homogeneo 53 42,06% Reticular 45 35,71% Árbol de decisión + PCA S F Clasificador E E = [Árbol de decisión, coeficientes PCA] Capítulo 5. Clasificación - 62 - Figura 5.1 Arquitectura ResNet50. Fuente: [114].  Inception-V3. Como se menciona en el Capítulo 2, en sus inicios eran módulos que forman la red GoogLeNet. A partir de estos módulos se desarrolla la DNN Inception-V3, descrita en [121, 122]. Esta red profunda consiste en la repetición de bloques llamados Inception, los cuales son altamente ajustables. Cada módulo consiste en un conjunto de filtros convolucionales en un rango de 5×5 a 1×1, que entregan un resultado en cascada en cada paso y aseguran que no se pierda la localización de la información, garantizando la perseverancia de la información de las características generales de cada imagen. Los autores de este modelo, que posee 48 capas de profundidad, aseguran que esta red reduce el número de parámetros a ser entrenados. En la Figura 5.2 se muestra el esquema de la arquitectura de esta DNN. Capítulo 5. Clasificación - 63 - Figura 5.2 Arquitectura de la Red Inception-V3 . Fuente: [44].  VGG-16 Ajustada, es un modelo basado en la red VGG-16 pero con una modificación en su arquitectura. Esta modificación se basó en añadir una capa de Zero Padding a cada bloque de capas convolucionales, como se muestra en la Figura 5.3. Al realizar esta modificación se aplican diferentes ajustes a los límites de la imagen dermatoscópica permitiendo conservar el tamaño original de la misma. Figura 5.3 VGG-16 Ajustada (A-VGG16). Para el entrenamiento de cada una de las redes mencionadas, se utilizó el conjunto de entrenamiento de la base de datos ISIC 2019. Para los experimentos que se detallan en esta sección, se realizó la clasificación de las lesiones aplicando, por una parte, el proceso de segmentación explicado en el Capítulo 3, y en contraste se realizó la clasificación con las imágenes sin segmentar. Adicionalmente, se realizaron procesos de balanceo de datos como paso previo al entrenamiento. Las salidas predichas por estos tres modelos de redes neuronales fueron enlazadas utilizando dos modelos de ensambladores denominados ArgMax y Mean, respectivamente, que permitieron obtener un modelo optimizado de clasificación y aplicar lo que se conoce como aprendizaje ensamblado. Capítulo 5. Clasificación - 64 - 5.2.1. Ensamblado de redes El ensamblado de redes sirve para reducir la varianza y mejorar el comportamiento de la predicción, combinando las predicciones de múltiples modelos de redes neuronales. Las técnicas para aprendizaje ensamblado pueden ser agrupadas por elementos que varían, como por ejemplo: datos de entrenamiento, el modelo y la combinación de predicciones [123]. Los modelos de redes neuronales son métodos no lineales, esto implica que pueden aprender relaciones no lineales complejas, siendo esto a su vez una desventaja, ya que las hace dependientes a sus condiciones iniciales, tanto en sus pesos aleatorios como en términos del ruido estadístico en el conjunto de entrenamiento. De esta forma, se puede ver a una red neuronal como un método con un bajo margen de error, pero con una varianza elevada. Un método para reducir la varianza es entrenar múltiples modelos y combinar sus predicciones. Combinando las predicciones de varios modelos con un bajo margen de error se logra obtener predicciones menos sensibles a datos de entrenamiento específicos. Este proceso reduce la varianza en las predicciones, por lo que el modelo ensamblado puede generar mejores resultados en términos de predicciones y se le denomina aprendizaje ensamblado. Generalmente el aprendizaje ensamblado involucra el entrenamiento de más de una red neuronal con el mismo conjunto de datos. Utiliza cada modelo entrenado para obtener las predicciones antes de combinarlas, obteniendo un solo resultado de predicciones finales y generando así un conjunto de predicciones más estable y mejorado [123]. El proceso de ensamblado de redes neuronales cuenta con tres elementos principales que pueden variar y que derivan en las tres técnicas descritas a continuación [123]:  Variación de los datos de entrenamiento: cambiar la selección de datos para entrenar cada modelo, utilizando, por ejemplo, validación cruzada k-fold (k-fold cross-validation).  Variación de los modelos ensamblados: cambiar los modelos que van a ser ensamblados. Para esto se puede variar la configuración de cada modelo ensamblado utilizando, por ejemplo, redes con distintas capacidades o modelos entrenados bajo diferentes condiciones.  Variación de las combinaciones: variar la forma en la que se combinarán los resultados de los miembros de cada conjunto. Capítulo 5. Clasificación - 65 - 5.2.1.1. Ensamblador ArgMax Este ensamblador toma para cada imagen un vector de probabilidades de cada modelo. En este caso: VGG-16 Ajustada, ResNet-50 e Inception-V3. De las tres matrices de probabilidades resultantes de cada modelo, se elige la coordenada con la probabilidad más alta y, dependiendo de la posición de esta coordenada, se comprueba un criterio y se asigna un diagnóstico. A continuación, la ecuación 5.1 muestra este ensamblador. f ( V ) = yArgMax ( V ) (5.1) donde V es la salida de la última capa (Softmax) del modelo que concatena los tres vectores: el vector v1 es generado por VGG-16 Ajustada, el vector v2 es generado por ResNet50, y el vector v3 es generado por Inception V3. V = [ v1; v2; v3 ] (5.2) Criterio de clasificación Para definir el criterio de diagnóstico que permite clasificar imágenes dermatoscópicas en un tipo específico de lesión, se toma la probabilidad más alta del vector V cuya dimensión es 3×m, donde m es el número de clases. Cada imagen genera un vector de m probabilidades para cada modelo, por lo tanto, para una imagen se crea un nuevo vector de 3m probabilidades. Se selecciona el valor con la probabilidad más alta de V, cuya coordenada se pasa a denominar n. n= A rgMaxm V (5.3) Realizando estas consideraciones, la clase elegida dentro del vector V quedará definida por la ecuación 5.4 y donde Vn puede ser cualquier elemento de V: 𝑐𝑙𝑎𝑠𝑒=𝑚𝑜𝑑(𝑛,𝑚) (5.4) donde mod se refiere a la operación módulo, es decir, el resto de dividir n y m. 5.2.1.2. Ensamblador Mean El ensamblador Mean toma cada vector de probabilidades v1, v2, y v3, de tal forma que el vector V es calculado como la media de los tres vectores: 𝑉= 1 3 (𝑣1+ 𝑣2+ 𝑣3) (5.5) Capítulo 5. Clasificación - 66 - donde vi es un vector de dimensión 1×m, para i=1,2,3, indexando las tres redes usadas (VGG16 ajustada, ResNet50 e Inception V3). 5.3. Datos y diseño de los experimentos En este capítulo se encuentra detallado el proceso de clasificación para la detección del carcinoma basocelular, así como también de distintos tipos de lesiones. En este proceso se considera la utilización de las tres redes neuronales profundas VGG-16 Ajustada, ResNet- 50 e Inception-V3, aplicando los ensambladores ArgMax y Mean. Además, se muestra la comparación entre los clasificadores aplicados al conjunto de imágenes segmentadas y no segmentadas. 5.3.1. Datos Cada una de las redes probadas fue entrenada utilizando la base de datos ISIC-2019 [6] [23] [25], la cual contiene un total de 25.331 imágenes dermatoscópicas, de las cuales 17.731 pertenecen al conjunto de entrenamiento, 2.534 al conjunto de datos de validación y 5.066 pertenecen al conjunto de datos de prueba. El contenido de esta base de datos viene detallado como sigue, y en la Figura 5.4 se muestra un ejemplo:  Queratosis actínica: 867 imágenes  Carcinoma basocelular: 3.323 imágenes  Queratosis benigna: 2.624 imágenes  Dermatofibroma: 239 imágenes  Melanoma: 4.522 imágenes  Nevus: 12.875 imágenes  Carcinoma celular escamoso: 628 imágenes  Lesión vascular: 253 imágenes Para el proceso de clasificación, que se encuentra descrito en las Figuras 5.5 y 5.6, se realizaron varias pruebas divididas de la siguiente manera:  Pruebas con las imágenes sin una segmentación previa.  Pruebas realizadas con las lesiones previamente segmentadas de la piel sana. Se realizaron distintas pruebas utilizando los dos tipos de ensambladores diferentes, Mean y ArgMax. Capítulo 5. Clasificación - 67 - Figura 5.4 Imágenes dermatoscópicas de la base de datos ISIC-2019. a. Carcinoma celular escamoso. b. Nevus. c. Melanoma. d. Dematorfibroma. e. Queratosis benigna. f. Carcinoma basocelular. g. Queratosis actínica. h. Lesión vascular. Finalmente es importante mencionar que las pruebas se implementaron en lenguaje de programación Python, utilizando un procesador Intel Core I9 – 3.6 GHz, 32 GB de memoria RAM y una tarjeta gráfica NVIDIA TITAN RTX. 5.3.2. Métricas para evaluar la Clasificación Se realizaron tres tipos de clasificaciones: BCC versus cualquier otro tipo de lesión, clasificación en ocho tipos de lesiones distintas, y finalmente, BCC versus nevus. Las métricas que se utilizaron para medir la eficiencia de los experimentos realizados fueron las siguientes: sensibilidad (Se), especificidad (Sp), exactitud (Acc), precisión (Pre) y tasa de falsos positivos (FPR), siendo las dos últimas obtenidas directamente de la matriz de confusión extraída de cada método. La tasa de falsos positivos está definida por la siguiente ecuación: 𝐹𝑃 𝑁= 𝐹𝑃 𝐹𝑃+𝑇𝑁 (5.6) Donde FP es el número de falsos positivos, TN es el número de verdaderos negativos y N el número total de negativos comprobados: 𝑁=𝐹𝑃+𝑇𝑁 (5.7) La métrica de precisión hace referencia a la consistencia del resultado obtenido una vez que se han realizado varias mediciones y es una forma de observar el error en cada medición. 𝑃𝑟𝑒= 𝑇𝑃 𝑇𝑃+𝐹𝑃 (5.8) Capítulo 5. Clasificación - 68 - 5.3.3. Experimentos de clasificación realizados La clasificación de imágenes dermatoscópicas se realizó utilizando la base de datos ISIC- 2019. La lesión objetivo de la clasificación fue el carcinoma basocelular (BCC), el cual fue identificado entre tres conjuntos de datos, que se describen a continuación:  Clasificación de carcinoma basocelular versus cualquier otra lesión.  Clasificación en 8 tipos de lesiones, siendo una de ellas el carcinoma basocelular.  Clasificación de carcinoma basocelular versus nevus. Al no contar con una base de datos balanceada, fue necesario realizar el balanceo de datos y para esto se aplicó un proceso de aumento de datos. El proceso de aumento de datos se basó en la aplicación de operaciones de reflexión en espejo y rotaciones, considerando un ángulo de 0,2π. De esta forma se garantizó un correcto funcionamiento del clasificador. Después del proceso de balanceo de datos, aplicado sólo a las imágenes de entrenamiento, se obtuvo una base de datos con el siguiente número de imágenes de entrenamiento:  Clasificación de carcinoma basocelular versus cualquier otro tipo de lesión:  2.199 imágenes de validación.  15.419 imágenes de entrenamiento.  Clasificación en los ocho tipos de lesiones presentes en ISIC-2019:  Queratosis actínica (AK): 8.914 imágenes de entrenamiento.  Carcinoma basocelular (BCC): 8.958 imágenes de entrenamiento.  Queratosis benigna (BKL), 9.006 imágenes de entrenamiento.  Dermatofibroma (DF), 8.873 imágenes de entrenamiento.  Melanoma (MEL), 8.997 imágenes de entrenamiento.  Nevus (NEVUS), 9.012 imágenes de entrenamiento.  Carcinoma celular escamoso (SCC), 8.978 imágenes de entrenamiento.  Lesiones vasculares (VASC), 8.757 imágenes de entrenamiento.  Clasificación de carcinoma basocelular versus nevus:  Carcinoma basocelular: 8.982 imágenes de entrenamiento.  Nevus: 8.982 imágenes de entrenamiento. En las Figuras 5.5 y 5.6 se muestra un esquema de la clasificación seguida. Capítulo 5. Clasificación - 69 - Figura 5.5 Proceso de Clasificación de imágenes dermatoscópicas sin segmentar previamente la imagen y sin utilizar un ensamblador. Figura 5.6 Proceso de Clasificación de imágenes dermatoscópicas segmentadas sin utilizar un ensamblador. 5.3.3.1. Implementación de Ensambladores para mejorar la clasificación Con el objetivo de mejorar los resultados de clasificación se utilizaron dos ensambladores que permitieron enlazar las predicciones realizadas por cada una de las tres redes y así obtener una predicción con un mayor nivel de precisión. De esta manera, se consideraron los ensambladores ArgMax y Mean para realizar los experimentos de clasificación. Todos estos procesos se detallan en las Figuras 5.7 y 5.8. Capítulo 5. Clasificación - 70 - Figura 5.7 Proceso de clasificación de la imagen dermatoscópica utilizando un ensamblador pero sin realizar una segmentación previa. Figura 5.8 Proceso de clasificación de la imagen dermatoscópica utilizando un ensamblador y aplicando una segmentación previa a la imagen. 5.4. Resultados de la clasificación 5.4.1. Clasificación de BCC versus todas las lesiones sin utilizar un ensamblador Las tres redes fueron entrenadas con un total de 40.302 imágenes obtenidas después de balacear el conjunto de entrenamiento. El proceso de entrenamiento se completó después de 100 épocas. Los resultados de los experimentos se muestran en la Tabla 5.1. Se realizaron 3 pruebas sobre el conjunto de imágenes balanceadas:  Clasificación de imágenes dermatoscópicas sin segmentar. Las matrices de confusión de cada experimento realizado con cada una de las redes se muestran en la Figura 5.9. Capítulo 5. Clasificación - 71 -  Clasificación de imágenes dermatoscópicas segmentadas utilizando segmentación semántica. Las matrices de confusión de cada experimento realizado con cada una de las redes se muestran en la Figura 5.10.  Clasificación de imágenes dermatoscópicas segmentadas utilizando segmentación con umbralización de imágenes de las capas convolucionales de una CNN. Las matrices de confusión de cada experimento realizado con cada una de las redes se muestran en la Figura 5.11. Tabla 5.1 Resultados de clasificación de BCC versus todas las lesiones sin utilizar un ensamblador. Métricas Imágenes Metodología Se Sp Pre FPR Acc Sin Segmentar VGG-16 Ajustada 0,84 0,96 0,75 0,75 0,94 ResNet 50 0,81 0,95 0,75 0,75 0,93 Inception V3 0,78 0,95 0,70 0,70 0,93 Segmentación Semántica VGG-16 Ajustada 0,68 0,96 0,74 0,95 0,93 ResNet 50 0,65 0,96 0,70 0,95 0,92 Inception V3 0,60 0,96 0,67 0,94 0,91 Segmentación con imágenes convolucionales VGG-16 Ajustada 0,72 0,97 0,77 0,96 0,94 ResNet 50 0,67 0,97 0,74 0,95 0,93 Inception V3 0,66 0,96 0,72 0,95 0,92 Capítulo 5. Clasificación - 78 - Figura 5.14 Resultados de clasificación en ocho tipos de lesiones, con segmentación utilizando umbralización de imágenes convolucionales. a. VGG-16 Ajustada. b. ResNet-50. c. Inception-V3. 5.4.3. Clasificación de BCC versus Nevus sin utilizar un ensamblador Las tres redes fueron entrenadas con un total de 17.964 imágenes obtenidas después de balancear el conjunto de entrenamiento. El proceso de entrenamiento se completó después de 25 épocas. Se realizaron tres experimentos de clasificación, cuyos resultados se muestran en la Tabla 5.5, y se describen a continuación:  Clasificación BCC versus nevus sin una segmentación previa. Las matrices de confusión de cada experimento realizado con cada una de las redes se muestran en la Figura 5.15. Capítulo 5. Clasificación - 79 -  Clasificación BCC versus nevus aplicando segmentación semántica. Las matrices de confusión de cada experimento realizado con cada una de las redes se muestran en la Figura 5.16.  Clasificación BCC versus nevus segmentadas utilizando segmentación por umbralización de imágenes convolucionales. Las matrices de confusión de cada experimento realizado con cada una de las redes se muestran en la Figura 5.17. Tabla 5.5 Resultados de clasificación de BCC vs Nevus sin utilizar un ensamblador. Métricas Imágenes Metodología Se Sp Pre FPR Acc Sin Segmentar VGG-16 Ajustada 0,95 0,97 0,88 0,99 0,97 ResNet 50 0,95 0,97 0,88 0,99 0,96 Inception V3 0,95 0,97 0,87 0,96 0,94 Segmentación Semántica VGG-16 Ajustada 0,87 0,97 0,87 0,97 0,95 ResNet 50 0,88 0,96 0,86 0,97 0,95 Inception V3 0,85 0,97 0,87 0,96 0,94 Segmentación con umbralización de imágenes convolucionales VGG-16 Ajustada 0,88 0,97 0,88 0,97 0,95 ResNet 50 0,89 0,97 0,87 0,97 0,95 Inception V3 0,85 0,97 0,87 0,96 0,94 Capítulo 5. Clasificación - 80 - Figura 5.15 Resultados de clasificación de BCC versus Nevus sin realizar una segmentación previa. a. VGG-16 Ajustada. b. ResNet-50. c. Inception-V3. Capítulo 5. Clasificación - 81 - Figura 5.16 Matrices de confusión de la clasificación de BCC versus Nevus habiendo aplicado Segmentación Semántica. a. VGG-16 Ajustada. b. ResNet50. c. Inception V3. Capítulo 5. Clasificación - 82 - Figura 5. 17 Matrices de confusión de la clasificación de BCC versus Nevus habiendo aplicado segmentación basada en umbralización de imágenes convolucionales. a. VGG-16 Ajustada. b. ResNet50. c. Inception V3. 5.4.4. Clasificación de BCC versus todas las lesiones con ensamblador En la Tabla 5.6 se muestran los resultados obtenidos de la clasificación de BCC versus todas las clases aplicando dos ensambladores, el ensamblador ArgMax y el ensamblador Mean. En la Figura 5.18 se presenta la matriz de confusión resultante de la clasificación realizada utilizando el ensamblador ArgMax. Por otra parte, en la Figura 5.19 se presenta la matriz de confusión resultante de la clasificación realizada utilizando el ensamblador Mean. Capítulo 5. Clasificación - 83 - Tabla 5.6 Resultados de Clasificación de BCC vs todas las clases utilizando distintos ensambladores. Ensamblador Método de Segmentación Se Sp Pre APR Acc ArgMax Sin Segmentación 0,84 0,96 0,78 0,98 0,95 Segmentación Semántica 0,68 0,97 0,77 0,95 0,93 Segmentación con imágenes convolucionales 0,73 0,97 0,81 0,96 0,94 Mean Sin Segmentación 0,83 0,96 0,78 0,97 0,95 Segmentación Semántica 0,68 0,97 0,78 0,95 0,93 Segmentación con umbralización de imágenes convolucionales 0,70 0,98 0,81 0,96 0,94 Figura 5.18 Matrices de confusión después de aplicar el ensamblador ArgMax a la clasificación de BCC versus todas las lesiones. a. Sin segmentación. b. Aplicando segmentación Semántica. c. Segmentación con umbralización de imágenes convolucionales. Capítulo 5. Clasificación - 84 - Figura 5.19 Matrices de confusión después de aplicar el ensamblador Mean a la clasificación de BCC versus todas las lesiones. a. Sin segmentación. b. Aplicando segmentación Semántica. c. Segmentación con umbralización de imágenes convolucionales. 5.4.5. Clasificación en ocho tipos de lesiones con ensamblador Los resultados de las métricas de clasificación obtenidas al aplicar el ensamblador ArgMax se muestran en la Tabla 5.7, mientras que las matrices de confusión de cada experimento de clasificación con el ensamblador ArgMax, realizado con cada una de las redes aplicadas para segmentar, se muestran en la Figura 5.20. Por otra parte, la Tabla 5.8 muestra los resultados de la clasificación utilizando el ensamblador Mean y cuyos valores fueron obtenidos de las matrices de confusión que se muestran en la Figura 5.21. Capítulo 5. Clasificación - 85 - Tabla 5.7 Métricas de clasificación en ocho tipos de lesiones aplicando el Ensamblador ArgMax. Lesión Sin segmentación Con segmentación Semántica Segmentación con umbralización de Imágenes Convolucionales Se Pre Acc Se Pre Acc Se Pre Acc AK 0,48 0,84 0,80 0,49 0,62 0,79 0,53 0,58 0,78 BCC 0,83 0,86 0,80 0,74 0,82 0,74 BKL 0,50 0,84 0,61 0,67 0,53 0,66 DF 0,48 0,86 0,55 0,79 0,36 0,55 MEL 0,61 0,82 0,64 0,75 0,60 0,74 NEVUS 0,97 0,78 0,92 0,85 0,91 0,83 SCC 0,43 0,87 0,46 0,56 0,52 0,68 VASC 0,79 0,90 0,74 0,86 0,84 0,84 Figura 5.20 Matrices de confusión de aplicar el ensamblador Argmax a la clasificación en ocho tipos de lesiones. a. Sin segmentación. b. Con Segmentación Semántica. c. Segmentando con umbralización de Imágenes Convolucionales. Capítulo 5. Clasificación - 86 - Tabla 5.8 Métricas de clasificación en ocho tipos de lesiones aplicando el Ensamblador Mean. Lesión Sin segmentación Segmentación Semántica Segmentación con umbralización de Imágenes Convolucionales Se Pre Acc Se Pre Acc Se Pre Acc AK 0,48 0,84 0,80 0,49 0,62 0,79 0,53 0,58 0,78 BCC 0,83 0,86 0,80 0,74 0,82 0,74 BKL 0,50 0,84 0,61 0,67 0,53 0,66 DF 0,48 0,86 0,55 0,79 0,36 0,55 MEL 0,61 0,82 0,64 0,75 0,60 0,74 NEVUS 0,97 0,78 0,92 0,85 0,91 0,83 SCC 0,43 0,87 0,46 0,56 0,52 0,68 VASC 0,79 0,90 0,74 0,86 0,84 0,84 Figura 5.21 Matrices de confusión de aplicar el ensamblador Mean a la clasificación en ocho tipos de lesiones. a. Sin segmentación. b. Con Segmentación Semántica. c. Segmentando con umbralización de Imágenes Convolucionales. Capítulo 5. Clasificación - 87 - 5.4.6. Clasificación de BCC versus Nevus con ensamblador Los resultados de las métricas obtenidas de la clasificación de BCC versus Nevus después de aplicar los ensambladores ArgMax y Mean se muestran en la Tabla 5.9, mientras que las matrices de confusión de esta clasificación se muestran en la Figura 5.22 y en la Figura 5.23. Tabla 5.9 Resultados de Clasificación de BCC Vs Nevus utilizando distintos ensambladores. Ensamblador Método de Segmentación Se Sp Pre APR Acc ArgMax Sin Segmentación 0,97 0,98 0,92 0,99 0,98 Segmentación Semántica 0,90 0,97 0,88 0,97 0,95 Segmentación con imágenes convolucionales 0,90 0,97 0,90 0,97 0,96 Mean Sin Segmentación 0,97 0,97 0,90 0,99 0,97 Segmentación Semántica 0,89 0,97 0,88 0,97 0,95 Segmentación con umbralización de imágenes convolucionales 0,89 0,98 0,90 0,97 0,96 Conclusiones - 94 - reticular. Esta clasificación se realizó considerando que la presencia de ciertos patrones en una lesión cutánea son determinantes al momento de diagnosticar una lesión como maligna. Finalmente se realizó el proceso de clasificación de lesiones de la piel, enfocando el análisis a la detección de BCC frente a otros tipos de lesiones y en particular frente al nevus. Para realizar esta tarea se consideró la base de datos ISIC-2019. En cuanto a la metodología utilizada, se desarrolló la clasificación aplicando el ensamblado de la CNN VGG-16 con algunas modificaciones en su arquitectura y de las DNNs ResNet-50 e Inception-V3. Como resultado se obtuvo un 95% de exactitud al clasificar entre BCC y el resto de lesiones presentes en la base de datos y un 98% en la clasificación de BCC y nevus. Un hallazgo importante en el proceso de clasificación de BCC es que, cuando se trabaja con una base de datos extensa y se aplican algoritmos de aprendizaje profundo, la segmentación deja de ser un paso importante y no beneficia al proceso de clasificación. Esto a su vez sugiere que la piel sana que rodea la lesión puede contener información importante para la clasificación. Como líneas futuras se plantea el diagnóstico de las lesiones de la piel con una explicación del mismo, es decir, en lugar de dar una decisión final, detectar los patones dermatoscópicos indicativos de cada lesión, dando un diagnóstico de la misma forma que lo realiza el médico. También es interesante realizar un estudio prospectivo de estas herramientas CAD, implantadas en un entorno clínico y realizando evaluaciones comparativas con los juicios clínicos. - 95 - Apéndices Revistas con índice de impacto (JCR - Journal Citation Report) 1) Título: Does a Previous Segmentation Improve the Automatic Detection of Basal Cell Carcinoma Using Deep Neural Networks? Autores: Paulina Vélez Núñez, Manuel Mirando, Carmen Serrano, Begoña Acha Revista: Applied Sciences Doi: https://doi.org/10.3390/app12042092 Cuartil JCR: Q2 Año: 2022 Publicaciones en congresos internacionales 1) Título: An Evaluation of Segmentation and Classification Strategies on Melanomas Autores: Paulina Vélez Núñez, Carmen Serrano, Begoña Acha Conferencia: 2019 IEEE 16th International Symposium on Biomedical Imaging (ISBI) Lugar: Venecia – Italia Mes: Abril Año: 2019 2) Título: Dermoscopic Image Segmentation: A comparison of methodologies Autores: Paulina Vélez Núñez, Carmen Serrano, Begoña Acha, J.A. Pérez-Carrasco Conferencia: 15th Mediterranean Conference on Medical and Biological Engineering and Computing. – MEDICOM 2019 Lugar: Coimbra – Portugal Mes: Septiembre Año: 2019 Apéndices - 96 - Publicaciones en congresos nacionales 1) Título: An evaluation of segmentation and classification strategies on Melanomas Autores: Paulina Vélez Núñez, Begoña Acha, Carmen Serrano Conferencia: XXXIV Simposium Nacional de la Unión Científica Internacional de Radio - URSI 2019 Lugar: Sevilla – España Mes: Septiembre Año: 2019 - 97 - Índice de Figuras Capítulo 1. Figura 1.1 EDRA – Base de datos. ................................................................................. - 7 - Figura 1.2 ISIC – Base de datos. ................................................................................... - 8 - Capítulo 2. Figura 2.1 Aprendizaje Máquina Tradicional vs Aprendizaje Profundo. ................... - 16 - Figura 2.2 Diagrama esquemático de una Red Neuronal Convolucional. .................... - 18 - Figura 2.3 Función de activación ReLu. ..................................................................... - 19 - Figura 2.4 Diagrama del funcionamiento de las capas de una CNN. Editado de: [44] - 20 - Figura 2.5 Esquema representativo de la arquitectura de red AlexNet. Fuente: [47] .. - 20 - Figura 2.6 Esquema representativo de la arquitectura de Red VGG-16. Editado de: [48] . - 21 - Figura 2.7 Esquema representativo del módulo Inception. Editado de: [49] ............... - 22 - Figura 2.8 Esquema de la red GoogLeNet. Editado de: [49] ....................................... - 23 - Figura 2.9 Aumento de datos realizado sobre la base de datos ISIC-2017 utilizando transformaciones geométricas. ..................................................................................... - 24 - Capítulo 3. Figura 3.1 Artefactos presentes en imágenes dermatoscópicas. a. Vello. b. Burbujas. c. Vasos Sanguíneos. d. Marcas de tinta. ......................................................................... - 25 - Figura 3.2 Selección de regiones, tanto de piel sana como de la lesión previa a la definición de sus respectivos histogramas. .................................................................................... - 28 - Figura 3.3 Ejemplo de segmentación incluyendo postprocesado de la imagen segmentada. a) Imagen original b) Borde de la lesión. c) Lesión extraída por el algoritmo. d) Nueva máscara invertida. e) Resultado final de la segmentación. ........................................... - 29 - Figura 3.4 Imágenes de las 4 primeras capas convolucionales de la red VGG-16 una vez normalizadas. ............................................................................................................... - 30 - Figura 3.5 Esquema del proceso de obtención de una máscara utilizando imágenes convolucionales (RM: Raw Mask). .............................................................................. - 30 - Figura 3.6 DAG configurado para el proceso de segmentación. ................................. - 32 - Figura 3.7 Imágenes segmentadas. Para las imágenes a, b, c, d, la primera fila muestra la imagen original, la máscara y el resultado segmentado. Para las 4 imágenes, las filas 2, 3 y Índice de Figuras - 98 - 4 representan la máscara y la segmentación obtenidas por el método de segmentación semántica, segmentación por minimización de energías y segmentación utilizando imágenes convolucionales. ........................................................................................... - 38 - Capítulo 4. Figura 4.1 Características Locales. Descripción por fila: a) Regresión b) Reticular c) Empedrado d) Globular e) Homogéneo f) Paralelo g) Velo Blanco azulado. .............. - 42 - Figura 4.2 Patrones Globales. A) Empedrado b) Globular c) Homogéneo d) Reticular e) Estrellado f) Paralelo g) Lagunar h) Patrón múltiple i) Patrón no especificado. Fuente: EDRA ........................................................................................................................... - 43 - Figura 4.3 Imagen dermatoscópica con la lesión segmentada en superpíxeles. En la fila inferior se expone una muestra de 4 superpíxeles pertenecientes a la lesión. .............. - 48 - Figura 4.4 Obtención del recorte. A) SLIC aplicado a la imagen dermatoscópica. B) Superpíxel aislado. C) Recorte en escala de grises. ...................................................... - 51 - Figura 4.5 a) Recorte original. B) Imagen filtrada. C) Realce. .................................... - 52 - Figura 4.6 Recortes. A,b,c,d,e) Recorte Empedrado: original, escala de grises, recorte postprocesado, histograma del recorte en escala de grises e histograma del recorte postprocesado. F,g,h,i,j) Recorte Homogéneo: original, escala de grises, recorte postprocesado, histograma del recorte en escala de grises e histograma del recorte postprocesado. K,l,m,n,o) Recorte Reticular: original, escala de grises, recorte postprocesado, histograma del recorte en escala de grises e histograma del recorte postprocesado. .............................................................................................................. - 53 - Figura 4.7 Esquema del clasificador ........................................................................... - 55 - Figura 4.8 Modelo predictivo utilizando el subconjunto de características seleccionadas. - 56 - Figura 4.9 Árbol de decisión ....................................................................................... - 56 - Figura 4.10 Matriz de confusión ................................................................................. - 57 - Capítulo 5. Figura 5.1 Arquitectura ResNet50. Fuente: [114]. ....................................................... - 62 - Figura 5.2 Arquitectura de la Red Inception-V3 . Fuente: [133]. ................................. - 63 - Figura 5.3 VGG-16 Ajustada (A-VGG16). .................................................................. - 63 - Figura 5.4 Imágenes dermatoscópicas de la base de datos ISIC-2019. A. Carcinoma celular escamoso. B. Nevus. C. Melanoma. D. Dematorfibroma. E. Queratosis benigna. F. Carcinoma basocelular. G. Queratosis actínica. H. Lesión vascular. ........................... - 67 - Figura 5.5 Proceso de Clasificación de imágenes dermatoscópicas sin segmentar previamente la imagen y sin utilizar un ensamblador. ................................................. - 69 - Figura 5.6 Proceso de Clasificación de imágenes dermatoscópicas segmentadas sin utilizar un ensamblador. ............................................................................................... - 69 - Índice de Figuras - 99 - Figura 5.7 Proceso de clasificación de la imagen dermatoscópica utilizando un ensamblador pero sin realizar una segmentación previa. ............................................. - 70 - Figura 5.8 Proceso de clasificación de la imagen dermatoscópica utilizando un ensamblador y aplicando una segmentación previa a la imagen. ................................. - 70 - Figura 5.9 Matriz de confusión para la clasificación de BCC versus todas las lesiones, sin segmentación. A. VGG-16 Ajustada. B. ResNet-50. C. Inception-V3. ........................ - 72 - Figura 5.10 Matriz de confusión de la clasificación de BCC versus todas las lesiones habiendo aplicado segmentación semántica. A. VGG-16 Ajustada. B. ResNet-50. C. Inception-V3. ............................................................................................................... - 73 - Figura 5.11 Matriz de confusión de la clasificación de BCC versus todas las lesiones habiendo aplicado segmentación con umbralización de imágenes convolucionales. A. VGG-16 Ajustada. B. ResNet-50. C. Inception-V3. .................................................... - 74 - Figura 5.12 Matrices de confusión de la clasificación en ocho tipos de lesiones sin segmentación. A. VGG-16 Ajustada. B. ResNet-50. C. Inception-V3. ........................ - 76 - Figura 5.13 Matrices de confusión de la clasificación en ocho tipos de lesiones habiendo aplicado Segmentación Semántica. A. VGG-16 Ajustada. B. ResNet-50. C. Inception-V3. ...................................................................................................................................... - 77 - Figura 5.14 Resultados de clasificación en ocho tipos de lesiones, con segmentación utilizando umbralización de imágenes convolucionales. A. VGG-16 Ajustada. B. ResNet- 50. C. Inception-V3. ..................................................................................................... - 78 - Figura 5.15 Resultados de clasificación de BCC versus Nevus sin realizar una segmentación previa. A. VGG-16 Ajustada. B. ResNet-50. C. Inception-V3. ............. - 80 - Figura 5.16 Matrices de confusión de la clasificación de BCC versus Nevus habiendo aplicado Segmentación Semántica. A. VGG-16 Ajustada. B. ResNet50. C. Inception V3. - 81 - Figura 5. 17 Matrices de confusión de la clasificación de BCC versus Nevus habiendo aplicado segmentación basada en umbralización de imágenes convolucionales. A. VGG- 16 Ajustada. B. ResNet50. C. Inception V3. ................................................................ - 82 - Figura 5.18 Matrices de confusión después de aplicar el ensamblador ArgMax a la clasificación de BCC versus todas las lesiones. A. Sin segmentación. B. Aplicando segmentación Semántica. C. Segmentación con umbralización de imágenes convolucionales. ........................................................................................................... - 83 - Figura 5.19 Matrices de confusión después de aplicar el ensamblador Mean a la clasificación de BCC versus todas las lesiones. A. Sin segmentación. B. Aplicando segmentación Semántica. C. Segmentación con umbralización de imágenes convolucionales. ........................................................................................................... - 84 - Figura 5.20 Matrices de confusión de aplicar el ensamblador Argmax a la clasificación en ocho tipos de lesiones. A. Sin segmentación. B. Con Segmentación Semántica. C. Segmentando con umbralización de Imágenes Convolucionales. ................................ - 85 - Índice de Figuras - 100 - Figura 5.21 Matrices de confusión de aplicar el ensamblador Mean a la clasificación en ocho tipos de lesiones. A. Sin segmentación. B. Con Segmentación Semántica. C. Segmentando con umbralización de Imágenes Convolucionales. ................................ - 86 - Figura 5.22 Matrices de confusión de aplicar el ensamblador Argmax a la clasificación de BCC versus Nevus. A. Sin segmentación. B. Con Segmentación Semántica. C. Segmentando con umbralización de Imágenes Convolucionales. ................................ - 88 - Figura 5.23 Matrices de confusión de aplicar el ensamblador Mean a la clasificación de BCC versus Nevus. A. Sin segmentación. B. Con Segmentación Semántica. C. Segmentando con umbralización de Imágenes Convolucionales. ................................ - 89 - - 101 - Índice de Tablas Capítulo 3. Tabla 3.1 Coeficientes de similitud [58]. ....................................................................... -35- Tabla 3.2 Resultados de la segmentación de cuatro imágenes de la base de datos ISIC 2017, según las metodologías aplicadas. ...................................................................... - 36 - Tabla 3. 3 Comparación de las metodologías de segmentación para el conjunto de test de la base de datos de ISIC-2017. ..................................................................................... - 37 - Tabla 3.4 Resultados de segmentación tras aplicar distintos procesos. ........................ - 39 - Capítulo 4. Tabla 4. 1 Características seleccionadas. ..................................................................... - 54 - Tabla 4. 2 Muestras de entrenamiento. ......................................................................... - 55 - Tabla 4. 3 Clasificación. ............................................................................................... - 58 - Capítulo 5. Tabla 5.1 Resultados de clasificación de BCC versus todas las lesiones sin utilizar un ensamblador. ................................................................................................................ - 71 - Tabla 5.2 Resultados de clasificación de los 8 tipos de lesiones sin segmentación. .... - 75 - Tabla 5.3 Resultados de clasificación de los 8 tipos de lesiones segmentadas aplicando segmentación semántica. .............................................................................................. - 75 - Tabla 5. 4 Resultados de clasificación de los 8 tipos de lesiones segmentadas aplicando segmentación con umbralización de imágenes convolucionales. ................................. - 76 - Tabla 5.5 Resultados de clasificación de BCC vs Nevus sin utilizar un ensamblador. - 79 - Tabla 5.6 Resultados de Clasificación de BCC vs todas las clases utilizando distintos ensambladores. ............................................................................................................. - 83 - Tabla 5.7 Métricas de clasificación en ocho tipos de lesiones aplicando el Ensamblador ArgMax. ....................................................................................................................... - 85 - Índice de Tablas - 102 - Tabla 5.8 Métricas de clasificación en ocho tipos de lesiones aplicando el Ensamblador Mean. ............................................................................................................................ - 86 - Tabla 5.9 Resultados de Clasificación de BCC Vs Nevus utilizando distintos ensambladores. ............................................................................................................. - 87 - Tabla 5.10 Métricas de clasificación de BCC versus Nevus sin realizar una segmentación previa a las imágenes. ................................................................................................... - 91 - Tabla 5.11 Métricas de clasificación de BCC versus Nevus habiendo segmentado las imágenes previamente .................................................................................................. - 91 - Tabla 5.12 Métricas de clasificación de BCC versus todas las lesiones sin realizar una segmentación previa a las imágenes. ............................................................................ - 91 - Tabla 5.13 Métricas de clasificación de BCC versus todas las lesiones habiendo segmentado las imágenes previamente. ........................................................................ - 91 - Tabla 5.14 Comparación del funcionamiento de los algoritmos de clasificación, para clasificar en ocho tipos de lesiones. Algoritmo ganador del reto ISIC 2019 y Algoritmo propuesto (ensamblador ArgMax sin segmentación previa de las imágenes) .............. - 92 - - 103 - Bibliografía [1] N. Gessert, M. Nielsen, M. Shaikh, R. Werner y A. Schlaefer, «Skin lesion classification using ensembles of multi-resolution EfficientNets with meta data,» MethodsX, vol. 7, nº 100864, 2020. [2] Skin Cancer Foundation, «Skin Cancer Facts & Statistics,» 13 Enero 2021. [En línea]. Available: https://www.skincancer.org/skin-cancer-information/skincancer-facts/. [3] American Cancer Society, «Estadísticas importantes sobre los cánceres de piel de células basales y de células escamosas,» cancer.org, 8 juilo 2020. [En línea]. Available: https://www.cancer.org/es/cancer/cancer-de-piel-de-celulas-basales-y- escamosas/acerca/estadisticas-clave.html. [4] C. Barata, M. E. Celebi y J. S. Marques, «Explainable skin lesion diagnosis using taxonomies,» Pattern Recognition, vol. 110, p. 107413, 2021. [5] «International Skin Imaging Collaboration,» [En línea]. Available: https://www.isic-archive.com. [6] P. Tschandl y C. R. a. H. Kittler, «The HAM10000 dataset, a large collection of multi-source dermatoscopic images of common pigmented skin lesions,» Scientific Data, vol. 5, nº 1, 2018. [7] J. K. Winkler, K. Sies, C. Fink, F. Toberer, A. Enk, T. Deinlein, R. H.-W. a. L. Thomas, A. Lallas, A. Blum, W. Stolz, M. S. Abassi, T. Fuchs, A. Rosenberger y H. A, «Melanoma recognition by a deep learning convolutional neural network— Performance in different melanoma subtypes and localisations,» vol. 127, pp. 21-- 29, 2020. [8] C. N. Vasconcelos y B. N. Vasconcelos, «Experiments using deep learning for dermoscopy image analysis,» Pattern Recognition Letters, vol. 139, pp. 95--103, 2020. [9] H. Haenssle, C. F. a. F. Toberer, J. Winkler, W. Stolz, T. Deinlein, R. Hofmann- Wellenhof, A. Lallas, S. Emmert, T. Buhl, M. Zutt, A. Blum, M. Abassi, L. Thomas, I. Tromme, P. Tschandl, A. Enk, A. Rosenberger, C. Alt y Mari, «Man Bibliografía - 110 - [69] A. Kwasigroch, A. Mikołajczyk y M. Grochowski, «Deep convolutional neural networks as a decision support tool in medical problems – malignant melanoma case study,» Trends in Advanced Intelligent Control, Optimization and Automation, vol. 577, pp. 848--856, 2017. [70] V. Thost y J. Chen, «Directed acyclic graph neural networks,» arXiv:2101.07965, 2021. [71] A. d. S. Meyer, A. Garcia, A. P. d. Souza y C. L. d. S. Jr., «Comparison of similarity coefficients used for cluster analysis with dominant markers in maize (Zea mays L),» Genetics and Molecular Biology, vol. 27, nº 1, pp. 83--91, 2004. [72] L. R. Dice, «Measures of the Amount of Ecologic Association Between Species,» Ecology, vol. 26, nº 3, pp. 297--302, 1945. [73] R. Real y J. M. Vargas, «The Probabilistic Basis of Jaccard's Index of Similarity,» Systematic Biology, vol. 45, nº 3, pp. 380--385, 1996. [74] H. Fan, F. Xie, Y. Li, Z. Jiang y J. Liu, «Automatic segmentation of dermoscopy images using saliency combined with Otsu threshold.,» Computers in Biology and Medicine, vol. 85, p. 75–85, 2017. [75] T. Y. Tan, L. Zhang, C. P. Lim, B. Fielding, Y. Yu y E. Anderson, «Evolving Ensemble Models for Image Segmentation Using Enhanced Particle Swarm Optimization,» IEEE Access, vol. 7, pp. 34004--34019, 2019. [76] M. Ammar, S. G. Khawaja, A. Atif, M. U. Akram y M. Sakeena, «Learning Based Segmentation of Skin Lesion from Dermoscopic Images,» 2018 IEEE, pp. 1--6, 2018 IEEE 20th International Conference on e-Health Networking, Applications and Services (Healthcom). [77] L. Bi, J. Kim, E. Ahn, A. Kumar, D. Feng y M. Fulham, «M. Step-wise integration of deep class-specific learning for dermoscopic image segmentation,» Pattern Recognition, vol. 85, pp. 78--89, 2019. [78] T. Akram, H. M. J. Lodhi, S. R. Naqvi, S. Naeem, M. Alhaisoni, M. Ali, S. A. Haider y N. N. Qadri, «A multilevel features selection framework for skin lesion classification,» Human-centric Computing and Information Sciences, vol. 10, nº 12, 2020. Bibliografía - 111 - [79] R. B. Fisher, T. P. Breckon, K. Dawson-Howe, A. Fitzgibbon, C. Robertson, E. Trucco y C. K. I. Williams, Dictionary of Computer Vision and Image Processing, New Jersey: Wiley, 2014. [80] A. Giuseppe, S. Peter, S. Chimenti, N. Takeji, W. Klaus y K. Alfred, «Dermoscopy of pigmented skin lesions: Results of a consensus meeting via the Internet,» Journal of the American Academy of Dermatology, vol. 48, nº 5, pp. 679-693, 2003. [81] K. Korotkov y R. García, «Computarized analysis of pigmented skin lesion: A review,» Artificial Intelligence in Medicine, vol. 56, pp. 69--90, 2012. [82] R. Javed, M. S. M. Rahim, T. Saba y A. Rehman, «A comparative study of features selection for skin lesion detection from dermoscopic images,» Network Modeling Analysis in Health Informatics and Bioinformatics, vol. 9, nº 4, 2020. [83] J. Parker, «Texture and Color,» de Algorithms for Image Processing and Computer Vision, Segunda ed., John Wiley & Sons, Incorporated, 2011, pp. 177- 208. [84] A. Sáez, C. Serrano y B. Acha, «Model-Based Classification Methods of Global Patterns in Dermoscopic Images,» IEEE Transactions on Medical Imaging, vol. 33, nº 5, pp. 1137-1147, 2014. [85] B. Ghojogh, M. N. Samad, S. Asif Mashhadi, T. Kapoor, W. Ali, F. Karray y M. Crowley, «Feature Selection and Feature Extraction in Pattern Analysis: A Literature Review,» arXiv:1905.02845 [cs.LG], 2019. [86] L. Talavera-Martínez, P. Bibilon y M. González-Hidalgo, «Computational texture features of dermoscopic images and their link to the descriptive terminology: A survey,,» Computer Methods and Programs in Biomedicine, vol. 182, nº 105049, 2019. [87] R. M. Haralick, K. Shanmugam y I. Dinstein, «Textural Features for Image Classification,» IEEE Transactions on Systems, Man, and Cybernetics, vol. 3, nº 6, pp. 610-621, 1973. [88] M. Presutti, «La Matriz de Co-Ocurrencia en la Clasificación Multiespectral: Tutorial para la Enseñanza de Medidas Texturales en Cursos de Grado Universitario,» 4ª Jornada de Educação em Sensoriamento Remoto no Âmbito do Mercosul, 2004. Bibliografía - 112 - [89] C. Sun y W. GWee, «Neighboring gray level dependence matrix for texture classification,» Computer Vision, Graphics, and Image Processing, vol. 23, nº 3, pp. 341-352, 1983. [90] K. Laws, «Textured image segmentation,» Technical Report, University of Southern California Los Angeles Image Processing INST, 1980. [91] B. Julez, «Textons, the elements of texture perception, and their interactions,» Nature, vol. 290, pp. 91-97, 1981. [92] T. Ojala y M. Pietikainen, «Multiresolution gray-scale and rotation invariant texture classification with local binary patterns,» IEEE Transactions on pattern analysis and machine intelligence, vol. 24, nº 7, pp. 971-987, 2002. [93] Y. He, N. Sang y C. Gao, «Pyramid-Based Multi-structure Local Binary Pattern for Texture Classification,» Computer Vision – ACCV 2010 .ACCV 2010. Lecture Notes in Computer Science, vol. 6494, pp. 133-144, 2011. [94] D. G. Lowe, «Distinctive image features from scale-invariant keypoints,» International journal of computer vision, vol. 60, nº 2, pp. 91-110, 2004. [95] C. Serrano y B. Acha, «Pattern analysis of dermoscopic images based on Markov random fields,» Pattern Recognition, vol. 42, nº 6, pp. 1052 - 1057, 2009. [96] A. P. Pentland, «Fractal-based description of natural scenes,» IEEE transactions on pattern analysis and machine intelligence, nº 6, pp. 661-674, 1984. [97] B. H. McCormick y S. N. Jayaramamurthy, «Time series model for texture synthesis,» International Journal of Computer & Information Sciences, vol. 3, nº 4, pp. 329 - 343, 1974. [98] R. C. Gonzalez, «Digital image processing. Pearson education india,» 2009. [99] J. G. Daugman, «Two-dimensional spectral analysis of cortical receptive field profiles,» Vision Research, vol. 20, nº 10, pp. 847-856, 1980. [100] S. Pathan, K. G. Prabhub y P.C.Siddalingaswamya, «Techniques and algorithms for computer aided diagnosis of pigmented skin lesions—A review,» Biomedical Signal Processing and Contro, vol. 39, pp. 237-262, 2018. [101] D. Castillo-Barnes, Tesis Doctoral: Caracterización de imágenes cerebrales mediante distribuciones alfa-estables e isosuperficiales. Combinación de Bibliografía - 113 - marcadores heterogéneos, Granada: Escuela Técnica Superior de Ingenierías Informática y de Telecomunicación. Universidad de Granada, 2021. [102] M. Mall, Correlation-based feature selection for machine learning, Hamilton: PhD thesis, University of Waikato, 1999. [103] T. M. Cover y J. A. Thomas, Elements of Information 2nd edn, New Jersey: Wiley, 2006. [104] N. Nicolosiz, Feature selection methods for text classification, Department of Computer Science, Rochester Institute of Technology, 2008. [105] F. Shunkai y M. Desmarais, «Markov Blanket based Feature Selection: A Review of Past Decade,» Proceedings of the World Congress on Engineering 2010, vol. 1, 2010. [106] M. Dash y H. Liu, «Consistency-based search in feature selection,» Artificial Intelligence, vol. 151, nº 1-2, pp. 155-176, 2003. [107] L. Yu y H. Liu, «Feature Selection for High-Dimensional Data: A Fast Correlation-Based Filter Solution,» Machine Learning, Proceedings of the Twentieth International Conference (ICML 2003), pp. 856-863, 2003. [108] Z. Zhao y H. Liu, «Searching for Interacting Features,» Proceedings of the 20th international joint conference on Artifical intelligence, vol. 7, p. 1156–1161, 2007. [109] C. Ding y H. Peng, «Minimum redundancy feature selection from microarray gene expression data,» J Bioinform Comput Biol, vol. 3, nº 2, pp. 185-205, 2005. [110] D. W. Aha y R. L. Bankert, «A Comparative Evaluation of Sequential Feature Selection Algorithms,» Learning from Data. Lecture Notes in Statistics, vol. 112, p. 199–206, 1996. [111] A. Idris, A. Khan y Y. S. Lee, «Intelligent churn prediction in telecom: employing mRMR feature selection and RotBoost based ensemble classification,» Applied Intelligence, vol. 36, nº 3, p. 659–672, 2013. [112] G. Dunteman, Principal components analysis, Sage, 1989. [113] M. Bruijne, «Machine learning approaches in medical image analysis: From detection to diagnosis,» Medical Image Analysis, vol. 33, pp. 94--97, 2016. Bibliografía - 114 - [114] H.-C. Shin, H. R. Roth, M. Gao, L. Lu, Z. Xu, I. Nogues, J. Yao, D. Mollura y R. M. Summers, «Deep Convolutional Neural Networks for Computer-Aided Detection: CNN Architectures, Dataset Characteristics and Transfer Learning,» IEEE Trans Med Imaging, vol. 35, nº 5, pp. 1285--1298, 2016. [115] T. Kenneth, I. Lars, T. Therese Louise y W. Ole, «Systematic review of machine learning for diagnosis and prognosis in dermatology,» Journal of Dermatological Treatment, vol. 31, nº 5, pp. 496-510, 2020. [116] M. A. Albahar, «Skin Lesion Classification Using Convolutional Neural Network With Novel Regularizer,» EEE Access, vol. 7, pp. 38306--38313, 2019. [117] R. C. Maron, M. Weichenthal, J. S. Utikal, A. Hekler, C. Berking, A. Hauschild, A. H. Enk, S. Haferkamp, J. Klode, D. Schadendorf y otros, «Systematic outperformance of 112 dermatologists in multiclass skin cancer image classification by convolutional neural networks,» Eur J Cancer, vol. 119, pp. 57-- 65, 2019. [118] H. Achim, U. Jochen S., E. Alexander H., F. Stefan y T. J. Brinker, «Superior skin cancer classification by the combination of human and artificial intelligence,» European Journal of Cancer, vol. 120, pp. 114-121, 2019. [119] A. Marka., J. Carter, E. Toto. y S. Hassanpour, «Automated detection of nonmelanoma skin cancer using digital images: A systematic review,» BMC Med. Imaging, vol. 19, pp. 1-12, 2019. [120] K. He, X. Zhang, S. Ren y J. Sun, «Deep Residual Learning for Image Recognition,» arXiv:1512.03385 [cs.CV], 2015. [121] C. Szegedy, V. Vanhoucke, S. Ioffe y J. Shlens, «Rethinking the Inception Architecture for Computer Vision,» arXiv:1512.00567v3 [cs.CV], pp. 2818-- 2826, 2016. [122] K. V. Sai Sundar, L. Rao Bonta, A. .B, P. Baruah y S. S. Sankara, «Evaluating Training Time of Inception-v3 andResnet-50,101 Models using TensorFlow acrossCPU and GPU,» 2018 Second International Conference on Electronics, Communication and Aerospace Technology (ICECA), pp. 1964--1968, 2018. [123] J. Brownlee, «Machine Learning Mastery. Ensemble Learning Methods for Deep Learning Neural Networks,» 6 Agosto 2019. [En línea]. Available: Bibliografía - 115 - https://machinelearningmastery.com/ensemble-methods-for-deep-learning-neural- networks/. [124] G. M.A., H. Minghui, M. A.K., T. M. y S. P.N., «Ensemble deep learning: A review,» arXiv:2104.02395 [cs.LG], 2021. [125] C. Barata, M. E. Celebi y J. S. Marques, «A survey of feature extraction in dermoscopy image analysis of skin cancer,» IEEE Journal of Biomedical and Health Informatics, vol. 23, nº 3, pp. 1096-1109, 2019. [126] M. A. Wahba, A. S. Ashour, S. A. Napoleon, M. M. Abd Elnaby y Y. Guo, «Combined empirical mode decomposition and texture features for skin lesion classification using quadratic support vector machine,» Health Inf Sci Syst, vol. 5, nº 10, 2017. [127] R. Sarkar, C. C. Chatterjee y A. Hazra, «A novel approach for automatic diagnosis of skin carcinoma from dermoscopic images using parallel deep residual networks,» Advances in Computing and Data Sciences. ICACDS 2019. Communications in Computer and Information Science, vol. 1045, 2019. [128] G. Argenziano, «Seven-point checklist and the seven rules not to miss melanoma incognito,» de Atlas of Dermoscopy, CRC Press, 2012, pp. 124--130. [129] K. Rungta, «Back Propagation Neural Network: Explained With Simple Example,» 2020. [En línea]. Available: https://www.guru99.com/backpropogation-neural-network.html. [130] D. Shen, G. Wu y H.-I. Suk, «Deep Learning in Medical Image Analysis,» Medical Image Analysis. Annual review of biomedical engineering, vol. 19, pp. 221--248, 2017. [131] R. Achanta, A. Shaji, K. Smith, A. Lucchi, P. Fua y S. Süsstrunk, «SLIC Superpixels Compared to State-of-the-Art Superpixel Methods,» IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 34, nº 11, pp. 2274--2282, 2012. [132] H. Huang, P. Kharazmi, D. I. McLean, H. Lui, Z. J. Wang y T. K. Lee, «Automatic detection of translucency using a deep learning method from patches of clinical basal cell carcinoma images,» 2018 Asia-Pacific Signal and Information Processing Association Annual Summit and Conference (APSIPA ASC), pp. 685--688, 2018. Bibliografía - 116 - [133] G. Castellano, L. Bonilha, L. Li y F. Cendes, «Texture analysis of medical images,» Clinical Radiology, vol. 59, nº 12, pp. 1061-1069, 2004. [134] L. Bottou, «Stochastic Gradient Descent Tricks,» Neural Networks: Tricks of the Trade. Lecture Notes in Computer Science, vol. 7700, 2012. [135] D. Rumelhart, G. Hinton y R. Williams, «Learning internal representations by error propagation,» de Parallel distributed processing: explorations in the microstructure of cognition, vol. 1: foundations, MIT Press, 1986, pp. 318-362. [136] M. Irfan, S. Malaji, C. Patsa, S. Rangarajan, R. Collins y T. Senjyu, «Online Learning-Based ANN Controller for a Grid-Interactive Solar PV System,» Applied Sciences, vol. 11, nº 18, p. 8712, 2021. [137] N. Codella, Q.-B. Nguyen, S. Pankanti, D. Gutman, B. Helba, A. Halpern y J. R. Smith, «Images, Deep Learning Ensembles for Melanoma Recognition in Dermoscopy,» Computer Vision and Pattern Recognition (cs.CV), vol. 61, nº 4/5, 2017. [138] H. Sofian, J. C. Ming Than, M. Suraya y N. M. Noor, «Calcification Detection of Coronary Artery Disease in Intravascular Ultrasound Image: Deep Feature Learning Approach,» International Journal of Integrated Engineering, 2018. [139] C. Serrano, M. Lazo, A. Serrano, T. Toledo-Patrana, R. Barros-Tornay y B. Acha, «Clinically Inspired Skin Lesion Classification through the Detection of Dermoscopic Criteria for Basal Cell Carcinoma,» Journal of Imaging, vol. 8, nº 197, 2022. - 117 - Glosario 2D 2 Dimensional space Espacio 2 dimensional ABCDE Asymetry, borer, color, diameter and evolving Asimetría, borde, color, diámetro y evolución Acc Accuracy Exactitud AK Actinic Keratosis Queratosis Actínica ANN Artificial Neural Networks Redes neuronales artificiales AUC Area Under Curve Área bajo la curva BCC Basal Cell Carcinoma Carcinoma baso celular BKL Bening Keratosis Queratosis Benigna CAD Computer Aided Diagnosis Diagnóstico asistido por computadora CNN Convolutional Neural Network Red neuronal convolucional CPU Central Process Unit Unidad central de procesamiento CSV Comma Separated Value Valor separado por coma DAG Directed Acyclic Graph Grafo acíclico dirigido DCN Deep Convolutional Network Red convolucional profunda DF Dermatofibroma Dermatofibroma DFT Discrete Fourier transform Transformada discreta de Fourier DIC DICE DICE DNN Deep Neural Network Red neuronal profunda DP Deep Learning Aprendizaje profundo DPI Dot per inch Puntos por pulgada Glosario - 118 - EDRA The Interactive Atlas of Dermoscopy Atlas interactivo de dermatoscopia FC Fully Connected Totalmente conectada FCM Fuzzy C-Means Fuzzy C-Medias FCN Fully Convolutional Networks Redes totalmente convolucionales FCRN Fully Convolutional Recorrent Network Red recurrente totalmente convolucional FFT Fast Fourier Transform Transformada Rápida de Fourier FPR False Positive Rate Tasa de falsos positivos GANs Generatives Adversarial Networks Redes adversarias generativas GMM Gaussian Mixture Model Modelo Gaussiano mixto GPU Graphic Process Unit Unidad de procesamiento gráfico HAM Human Against Machine with 10000 training images Humanos vs máquina con 10000 imágenes de entrenamiento HSV Hue, Saturation, Brightness Matiz, saturación, brillo IHP Independent Histogram Pursuit Búsqueda del histograma independiente IoU Intersection Over Union Intersección sobre la unión ISIC ISIC: Skin Lesion Analysis Towards Melanoma Detection Análisis de la lesión en búsqueda de la detección del melanoma Jac Jaccard Jaccard LAB CIELAB CIELAB LEM Laws Energy Mask Leyes de energía de las máscaras MEL Melanoma Melanoma MRF Markov Random Field Canales aleatorios de Markov PCA Principal Component Analysis Análisis de componentes principales Pre Precision Precisión ReLu Rectified Linear Unit Unidad lineal rectificada Glosario - 119 - RGB Red, Green, Blue Rojo, verde, azul RM Raw Mask Máscara cruda RNN Recurrent Neural Network Red neuronal recurrente ROI Region of Interest Región de Interés SCC Squamous Cell Carcinoma Carcinoma celular escamoso Se Sensitibity Sensibilidad SGD Stochastic Gradient Descent Gradiente estocástico descendiente SGDM Stochastic gradient descent with momentum Gradiente estocástico descendiente con momentum Sp Especificity Especificidad SVM Suppor Vector Machine Máquina de soporte de vectores VASC Vascular Lesion Lesiones Vasculares