Desarrollo de un Modelo de Inteligencia Artificial para la Clasificación de Hemangiomas Infantiles Mediante Aprendizaje Máquina

1 Proyecto Fin de Carrera Ingeniería de Telecomunicación Desarrollo de un Modelo de Inteligencia Artificial para la Clasificación de Hemangiomas Infantiles Mediante Aprendizaje Máquina Autor: Jorge Gonzalo Linares Serrano Tutores: Carmen Serrano Gotarredona Begoña Acha Piñero Dpto. Teoría de la Señal y Comunicaciones Escuela Técnica Superior de Ingeniería Universidad de Sevilla Sevilla, 2024 3 Proyecto Fin de Carrera Ingeniería de Telecomunicación Desarrollo de un Modelo de Inteligencia Artificial para la Clasificación de Hemangiomas Infantiles Mediante Aprendizaje Máquina Autor: Jorge Gonzalo Linares Serrano Tutores: Carmen Serrano Gotarredona Begoña Acha Piñero Profesoras titulares Dpto. de Teoría de la Señal y Comunicaciones Escuela Técnica Superior de Ingeniería Universidad de Sevilla Sevilla, 2024 iii 5 Proyecto Fin de Carrera: Desarrollo de un Modelo de Inteligencia Artificial para la Clasificación de Hemangiomas Infantiles Mediante Aprendizaje Máquina Autor: Jorge Gonzalo Linares Serrano Tutores: Carmen Serrano Gotarredona Begoña Acha Piñero El tribunal nombrado para juzgar el Proyecto arriba indicado, compuesto por los siguientes miembros: Presidente: Vocales: Secretario: Acuerdan otorgarle la calificación de: Sevilla, 2024 El Secretario del Tribunal v 7 vii A mi familia A mis maestros 9 Agradecimientos En primer lugar querría agradecer a mis tutoras por todo su trabajo y paciencia ya que gracias a ellas este trabajo ha sido posible. También quiero agradecer a todas las personas que me han acompañado a lo largo de este viaje por las telecomuniciones, a mi familia que siempre ha estado ahí para apoyarme incondicionalmente, a mis amigos que han sido un gran apoyo durante todos estos años, a mis profesores que me han formado tanto profesionalmente como humanamente, y a todo el resto de personas que han hecho posible que hoy esté donde estoy. Jorge Gonzalo Linares Serrano Sevilla, 2024 ix 16 ÍNDICE DE TABLAS Tabla 2–1. Matrices CCM 9 Tabla 3–1. P-value de las características de las imágenes CIECAM16 11 Tabla 3–2. P-value de las características de las imágenes CCM 11 Tabla 3–3. Correlación entre las características seleccionadas de las imágenes CIECAM16 12 Tabla 3–4. Correlación entre las características seleccionadas de las CCM 14 Tabla 3–5. Características seleccionadas de las imágenes CIECAM16 y las CCM 14 Tabla 3–6. Correlación entre las características seleccionadas de las imágenes CIECAM16 y las CCM 15 Tabla 3-7. P-value de las características seleccionadas de las imágenes CIECAM16 y las CCM 15 Tabla 3–8. Características seleccionadas para el entrenamiento 15 Tabla 3–9. Resultados con características de las CCM 16 Tabla 3–10. Resultados con características de las imágenes CIECAM16 16 Tabla 3–11. Resultados con características teóricamente óptimas 16 Tabla 3–12. Resultados con todas las características 16 Tabla 3–13. Resultados comparativo de los cuatro conjuntos de características 17 Tabla 3–14. Resultados con características de las CCM 17 Tabla 3–15. Resultados con características de las imágenes CIECAM16 17 Tabla 3–16. Resultados con características teóricamente óptimas 18 Tabla 3–17. Resultados con todas las características 18 Tabla 3–18. Resultados comparativo de los cuatro conjuntos de características 18 17 xvii ÍNDICE DE FIGURAS Figura 1-1. Imagen de HI superficial 1 Figura 1-2. Imagen de HI profundo 2 Figura 1-3. Imagen de HI mixto 2 Figura 2-1. Diagrama de flujo del proyecto 5 Figura 2-2. Imagen original 7 Figura 2-3. Imagen cuantificada a 21 centroides 8 19 xix Notación A* Conjugado c.t.p. En casi todos los puntos c.q.d. Como queríamos demostrar ∎ Como queríamos demostrar e.o.c. En cualquier otro caso e número e IRe Parte real IIm Parte imaginaria sen Función seno tg Función tangente arctg Función arco tangente sen Función seno sinxy Función seno de xelevado a y cosxy Función coseno de xelevado a y Sa Función sampling sgn Función signo rect Función rectángulo Sinc Función sinc ∂y ∂x x◦ Derivada parcial de yrespecto Notación de grado, xgrados. Pr(A) Probabilidad del suceso A SNR Signal-to-noise ratio MSE Minimum square error : Tal que < Menor o igual > Mayor o igual \ Backslash ⇔ Si y sólo si 1 1 INTRODUCCIÓN l objetivo de este trabajo es elaborar un modelo de Inteligencia Artificial (IA) que sea capaz de diagnositicar el tipo de un hemangioma infantil (HI) para ayudar al personal médico a diagnosticarlo con eficacia y mayor rapidez. La rapidez a la hora de diagnosticar los HI es de vital importancia dado el rápido crecimiento de los HI entre 1 y 3 meses de edad, esto hace que sólo haya una pequeña ventana de oportunidad para tratar las lesiones de alto riesgo y prevenir complicaciones como la desfiguración permanente. 1.1 ¿Qué es un hemangioma? os hemangiomas infantiles (HI) son los tumores benignos más frecuentes en la infancia. Se estima que afectan al 1-3% de todos los recién nacidos, mientras que alcanzan el 10% en lactantes menores de 1 año [1]. Los HI se consideran clásicamente marcas de nacimiento. Pero, a diferencia de la mayoría de las marcas de nacimiento, los HI son dinámicos. Al nacer están ausentes o apenas son evidentes, pero proliferan en las primeras semanas y meses de vida, llegando a una fase de involución que puede durar varios meses o años. La mayoría de los HI no presentan complicaciones, pero una minoría significativa conlleva complicaciones como ulceración, amenaza para la visión, obstrucción de las vías respiratorias e insuficiencia cardiaca congestiva. Los hemangiomas también pueden dejar cicatrices residuales y/o distorsión permanente de rasgos faciales, lo que puede alterar realmente la vida. Los HI se pueden clasificar en tres tipos distintos en función de su profundidad en la piel: superficial, profundo y mixto. Cuando la lesión está cerca de la piel se llama hemangioma superficial. Estos HI tienen una apariencia rojo brillante, con relieve o parches planos sobre la piel. Estas lesiones pueden sobresalir de la piel con forma de bultos (figura 1-1). Figura 1-1. Imagen de HI superficial Cuando crece debajo de la piel se llaman hemagiomas profundos. Los hemangiomas profundos E L Introducción tienen la apariencia de una masa o “bulto” con una coloración azulada o violácea. De estas salen unos vasos sanguíneos que también pueden ser visibles sobre la piel o debajo de ella. Como los hemangiomas profundos están debajo de la piel, podrían no notarse hasta varias semanas o meses después del nacimiento (figura 1-2). Figura 1-2. Imagen de HI profundo Cuando en la lesión hay componentes superficiales y profundos, se clasifican como hemangioma mixto. Las lesiones mixtas pueden tener una mezcla de capas, con color rojo arriba y azul más abajo. El color de los hemangiomas no desaparece por completo cuando se presiona el área (figura 1-3). Figura 1-3. Imagen de HI mixto 1.2 Protocolo clínico de actuación en el tratamiento de un hemangioma La evaluación de la extensión y el volumen de los HI no es sencilla. Los hemangiomas pueden presentar patrones irregulares o estar cubiertos por pelo, o pueden no ser accesibles para la inspección visual. Kilcline et al. [2] realizaron un seguimiento de la evolución de los HI mediante fotografías estandarizadas evaluadas por diferentes expertos. En situaciones clínicas prácticas, los médicos controlan la evolución de los HI inspeccionando visualmente fotografías anteriores que pueden no mostrar los límites reales del tumor. Desarrollo de un Modelo de Inteligencia Artificial para la Clasificación de Hemangiomas Infantiles Mediante Aprendizaje Máquina 3 Cuando la visualización directa del HI no es suficiente , se usan técnicas basadas en otro tipo de imagen para ayudar a los médicos a determinar la extensión y la localización de la HI. Estas técnicas de diagnóstico convencionales son la ecografía Doppler y la resonancia magnética. Estos métodos de diagnósticos son caros por lo que no siempre están disponibles en la primera consulta. Leñero-Barbadillo et al. [3] estudian, como alternativa a las técnicas auxiliares de diagnóstico, el uso de imágenes termográficas para el estudio y clasificación de HI. Esto es debido a que los HI producen alteraciones locales de la temperatura corporal detectables por las cámaras de infrarrojos. Siguiendo la misma línea de investigación, en [4] estudian el uso de estas cámaras para la detección de HI específicamente. 1.3 Inteligencia artificial La Inteligencia Artificial (IA) es una disciplina y un conjunto de capacidades cognoscitivas e intelectuales expresadas por sistemas informáticos o combinaciones de algoritmos cuyo propósito es la creación de máquinas que imiten la inteligencia humana para realizar tareas, y que pueden mejorar conforme recopilen información. El aprendizaje máquina es una disciplina del campo de la IA que, a través de algoritmos, dota a los ordenadores de la capacidad de identificar patrones en datos masivos y elaborar predicciones. Este aprendizaje permite a los computadores realizar tareas específicas de forma autónoma, es decir, sin necesidad de ser programados explícitamente para ello. El aprendizaje profundo es un método de la IA que enseña a las computadoras a procesar datos de una manera que se inspira en el cerebro humano. Los modelos de aprendizaje profundo son capaces de reconocer patrones complejos en imágenes, textos, sonidos y otros datos, a fin de generar información y predicciones precisas. Es posible utilizar métodos de aprendizaje profundo para automatizar tareas que habitualmente requieren inteligencia humana, como la descripción de imágenes o la transcripción a texto de un archivo de sonido. El aprendizaje máquina y el aprendizaje profundo comparten similitudes, pero también tienen diferencias que hacen que haya casos dónde el uso de uno tiene más sentido que el del otro. Tanto el aprendizaje máquina como el aprendizaje profundo aprenden y trabajan de forma autónoma, pero la primera técnica necesita de mayor intervención humana para hacerlo. El aprendizaje máquina necesita datos previamente estructurados para aprender y poder trabajar con ellos. Por el contrario, el aprendizaje profundo puede trabajar con datos sin estructurar (incluso con grandes volúmenes), motivo por el cual es muy útil a la hora de identificar patrones. Otra diferencia es que el aprendizaje profundo requiere una gran cantidad de datos para obtener resultados precisos, mientras que el aprendizaje máquina puede obtener buenos resultados con un tamaño reducido de datos. Actualmente el aprendizaje profundo se está priorizando frente al aprendizaje máquina debido a su demostrado rendimiento superior [5]. En este proyecto se afronta el problema con algorítmos de aprendizaje máquina, a pesar de la demostrada superioridad de los algorítmos basados en aprendizaje profundo, debido a que la base de datos de la que disponemos no es suficientemente grande como para usar de forma efectiva aprendizaje profundo. Introducción 1.4 Métodos de IA actuales para el diagnostico automático de HI en la literatura Actualmente existen estudios sobre la aplicación de herramientas de inteligencia artifical a la detección de hemagiomas infatiles, pero estos estudios solo se centran en el giagnóstico de si existe o no presencia de hemangioma. En el caso del estudio reciente [6] realizado por Zhang et al. , se usaron 79.675 imágenes clínicas de pacientes de dermatología pediátrica en Children's Wisconsin desde 2002 hasta 2019 para identificar la presencia o no de HI en pacientes de 0-1 años de edad. Las imágenes fueron pre-etiquetadas con el diagnóstico en el momento de la captura, y todos los diagnósticos fueron confirmados de forma independiente por un dermatólogo a través de la revisión de fotos y gráficos. Se utilizó ResNet-50 de Microsoft, una arquitectura CNN de gran eficacia y precisión disponible públicamente, para entrenar un clasificador binario de HI con el fin de clasificar las imágenes como HI o no HI. El modelo se entrenó en 10 divisiones de conjuntos de datos diferentes que dividían aleatoriamente los datos en grupos de entrenamiento (80%), validación (10%) y prueba (10%). En este estudio se consiguió elaborar un modelo que alcanzó una precisión global del 91,7 ± 1,8%, con una sensibilidad del 93,0 ± 1,6% y una especificidad del 90,5 ± 2,1% Oprisecu et al. [7] presentan un algoritmo para el cálculo automático de la superficie de la lesión HI. La escala de la imagen se calcula utilizando la transformada de Hough y la variación total. Como preprocesamiento, se incluye un paso de corrección geométrica que garantiza que las lesiones se vean perpendiculares a la cámara. La segmentación de la imagen se basa en la agrupación de K- means aplicada a una imagen de cinco planos; los cinco planos se seleccionan a partir de siete planos con el uso de la transformada de Karhunen-Loeve. El rendimiento de la segmentación se evaluó en 30 imágenes, y se obtuvo un error de borde medio del 9,31%. 5 2 MATERIAL Y METODOLOGÍA 2.1 Material Para este proyecto contamos con una base de datos de imágenes de HI tomadas en el Hospital Universitario Virgen del Rocío de Sevilla y clasificadas por el personal médico del hospital. Esta base de datos cuenta con un total de 82 imágenes de HI, de las cuales 43 son superficiales, 27 son mixtos y 12 son profundos. Debido a la poca cantidad de imágenes de HI mixtos y profundos estos dos se combinarán en una clase durante todo el proyecto, de modo que se clasificaran los HI entre superficial y tipos mixtos/profundos. Estas imágenes fueron tomadas por el personal médico del hospital con una cámara desarrollada por el Departamento de Teoría de la Señal y Comunicaciones junto con el Departamento de Electrónica y Electromagnetismo,ambos de la Universidad de Sevilla. La cámara consta de un doble sensor. Uno adquiere una imágen fotográfica convecional, y el otro adquiere una imágen en el espectro infrarojo lejano (LWIR). En este proyecto solo se hará uso de la imágen fotográfica. El sensor del espectro visible es un sensor Sony IMX219 de 8 megapixeles. 2.2 Metodología Figura 2-1. Diagrama de flujo del proyecto 2.2.1 Preprocesamiento de las imágenes Para la elaboración de un proyecto de aprendizaje máquina con imágenes es fundamental un correcto preprocesamiento de las imágenes utilizadas para garantizar unos resultados coherentes. El preprocesamiento de las imágenes que se ha realizado en este proyecto consta de las siguientes partes: 1. Recortar las imágenes de los hemangiomas para que en ellas sólo aparezca la propia lesión. Esto previene de que la parte de la imágen que no forma parte de la lesión introduzca ruido en los resultados. 2. Cambio de base de color de las imágenes de RGB a UCS. Un espacio de color UCS (Uniform Resultados las cuales 60 son de las CCM y 5 de las imágenes CIECAM16. Lo siguiente sería comprobar si las las características que cumplen la hipótesis nula están correlacionadas entre sí. Para ello calcularemos el coeficiente de correlación de Pearson de cada características frente a todas ellas. En la tabla 3-3 se muestra el resultado del coeficiente de correlación de Pearson de las características de las imagenes CIECAM16. Tabla 3–3. Correlación entre las características seleccionadas de las imágenes CIECAM16 Estableceremos un limite de coeficiente de correlación de Pearson de 0.5 para determinar si están relacionadas las características entre sí. Al poner este límite evitaremos el ruido que puedan introducir las características que estén muy correlacionadas entre sí. De esta forma, tenemos que la característica J está correlacionada con la característica Q, la característica C está correlacionada con la característica s y la característica M. Por lo que tenemos dos grupos de características independientes de los cuales tendremos que seleccionar solo una característica de cada uno. En la tabla 3-4 podemos ver el resultado del coeficiente de correlación de Pearson de las características de las CCM. Desarrollo de un Modelo de Inteligencia Artificial para la Clasificación de Hemangiomas Infantiles Mediante Aprendizaje Máquina 13 Resultados Tabla 3–4. Correlación entre las características seleccionadas de las CCM Con el límite de de coeficiente de correlación de Pearson de 0.5 podemos ver que todas las características Û,ĈyM están correlacionados con sus homónimos, y además las características Ĉy M está correlacionadas entre sí . Esto nos da a entender que la información que aportan los diferentes ángulos y distancias de las CCM es irrelevante. Debido a esto, de las 60 características sólo nos quedaremos con dos, una de las Û y una de las ĈyM . Para determinar qué característica escogeremos de cada grupo de características correlacionadas simplemente nos guiaremos por su p-value, de modo que de cada grupo escogeremos la característica cuyo p-value sea menor. En la tabla 3-5 se muestran las características escogidas de cada grupo. CIECAM16 J s CCM Û 11 Ĉ 9 Tabla 3–5. Características seleccionadas de las imágenes CIECAM16 y las CCM Posteriormente debemos comprobar si las características procedentes de las imágenes CIECAM16 y las de las matrices CCM están relacionadas entre sí, lo haremos de la misma forma que antes. Haciendo esto obtenemos, como podemos observar en la tabla 3-6, que la característica J está correlacionada con la característica Û, y que la característica s está correlaciona con la característica Ĉ. Desarrollo de un Modelo de Inteligencia Artificial para la Clasificación de Hemangiomas Infantiles Mediante Aprendizaje Máquina 15 Tabla 3–6. Correlación entre las características seleccionadas de las imágenes CIECAM16 y las CCM Para obtener el mejor resultado posible, en el calsificador nos debemos de quedar con la que menor p-value tenga entre J y Û10, y entre s y Ĉ8. El p-value de estas características muestra en la tabla 3-7. Característica P-value J 1.108e-05 s 1.614e-09 Û 9.517e-06 Ĉ 2.715e-09 Tabla 3–7. P-value de las características seleccionadas de las imágenes CIECAM16 y las CCM El clasficador SVM se ha entrenado con cuatro conjuntos distintos de características, las características seleccionadas de las CCM, las características seleccionadas de las imágenes CIECAM16, el conjunto teóricamente óptimo y con las características de las CCM y CIECAM16 juntas sin importar que estén correlacionadas. El conjunto de imágenes se ha divido en dos grupos, uno para el entrenamiento y otro para la validación. En la tabla 3-8 se muestra qué características forman cada uno de los conjuntos. CIECAM16 J s CCM Û 10 Ĉ 8 ÓPTIMO Û 10 s TODAS J s Û 10 Ĉ 8 Tabla 3–8. Características seleccionadas para el entrenamiento Resultados A continución en las tablas 3-9, 3-10, 3-11 y 3-12 se muestran los resultados del clasificador para los cuatro conjuntos de características, reservándose la mitad de las imágenes para cada entrenamiento y la otra mitad para validación. Aciertos Fallos Totales 36 5 Superficiales 22 0 Mixto/Profundo 14 5 Tabla 3–9. Resultados con características de las CCM Aciertos Fallos Totales 31 10 Superficiales 20 1 Mixto/Profundo 11 9 Tabla 3–10. Resultados con características de las imágenes CIECAM16 Aciertos Fallos Totales 33 8 Superficiales 20 2 Mixto/Profundo 13 6 Tabla 3–11. Resultados con características teóricamente óptimas Aciertos Fallos Totales 32 9 Superficiales 21 1 Mixto/Profundo 11 8 Tabla 3–12. Resultados con todas las características Desarrollo de un Modelo de Inteligencia Artificial para la Clasificación de Hemangiomas Infantiles Mediante Aprendizaje Máquina 17 En la tabla 3-13 se muestran la comparativa de los resultados de los cuatro conjuntos de características. Para el cálculo de estos resultados se ha tomado como caso positivo que el HI sea mixto/profundo, y por ende como caso negativo que el HI sea superficial. Sensibilidad Valor predictivo positivo Precisión Especificidad CCM 73.68% 100% 87.80% 100% CIECAM16 55% 91.67% 75.60% 95.24% Óptimas 68.42% 86.67% 80.49% 90.91% Todas 57.89% 81.67% 78.04% 95.45% Tabla 3–13. Resultados comparativo de los cuatro conjuntos de características A continuación en las tablas 3-14, 3-15, 3-16 y 3-17 se muestran los resultados del clasificador para los cuatro conjuntos de caracacterísticas, esta vez reservandose el 80% de las imágenes para el entrenamiento y el 20% para validación. Aciertos Fallos Totales 16 0 Superficiales 8 0 Mixto/Profundo 8 0 Tabla 3–14. Resultados con características de las CCM Aciertos Fallos Totales 14 2 Superficiales 6 2 Mixto/Profundo 8 0 Tabla 3–15. Resultados con características de las imágenes CIECAM16 Resultados Aciertos Fallos Totales 12 4 Superficiales 5 3 Mixto/Profundo 7 1 Tabla 3–16. Resultados con características teóricamente óptimas Aciertos Fallos Totales 14 2 Superficiales 7 1 Mixto/Profundo 7 1 Tabla 3–17. Resultados con todas las características En la tabla 3-18 se muestran la comparativa de los resultados de los cuatro conjuntos de características. Al igual que antes, se ha tomado como caso positivo que el HI sea mixto/profundo, y como caso negativo que el HI sea superficial. Sensibilidad Valor predictivo positivo Precisión Especificidad CCM 100% 100% 100% 100% CIECAM16 100% 80% 87.5% 75% Óptimas 87.5% 70% 75% 62.5% Todas 87.5% 87.5% 87.5% 87.5% Tabla 3–18. Resultados comparativo de los cuatro conjuntos de características 19 4 CONCLUSIONES Y FUTURAS MEJORAS 4.1 Conclusiones Con este proyecto se ha logrado elaborar una herramienta capaz de asistir al personal médico en el diagnóstico de HI. A la vista de los resultados, tomando las características adecuadas, se ha conseguido un 100% de aciertos en la clasificación de HI en los tipos superficial y mixto/profundo, siendo las mejores caracaterísticas para la clasificación la Û y Ĉ de las CCM. Sin embargo estos resultados no se pueden tomar como concluyentes, ya que al contar con un número reducido de imágenes, estos resultados no son fiables. El hecho de que las características seleccionadas sean la media de dos de los tres componentes de los píxeles CIECAM16, la Û y Ĉ concuerda con el modo de diagnóstico clínico, que el criterio para distinguir entre superficial y profundo se basa principalmente en color. Pero la textura tiene cierto papel discriminatorio, de ahí que la textura mejore la clasificación. El análisis de correlación ha sido muy útil para eliminar características redundantes. En concreto, características extraídas de matrices de coocurrencia muy similares. Esto nos ha servido para optimizar los parámetros distancia y ángulo en las matrices de coocurrencia. La combinación de ambos conjuntos de características, descartando correlaciones, no parece alcanzar mejores resultados. Pero hace falta una validación más amplia para sacar conclusiones. En medicina la sensibilidad es un parámetro importante, ya que el diagnóstico de falsos negativos puede tener graves consecuencias. Por lo que es importante que sea lo más alta posible para no descartar lesiones que requieran la atención de un especialista. En los resultados se ha visto que las características que mayor sensibilidad ofrencen son la Û y Ĉ de las CCM, que a su vez son las que han ofrecido mejores resultado en global. 4.2 Futuras mejoras Una posible primera mejora futura sería usar la estrategia de validación cruzada para abordar la falta de imágenes.Esto nos permitiría obtener resultados más precisos con la cantidad de imágenes existentes. Otra posible mejora sería complementar a las imágenes utilizadas (espectro visible) con imágenes termográficas ya que, como se mencionó en el apartado 1.2, estas imágenes también pueden tener información útil para el diagnóstico de HI. Conclusiones y Futuras Mejoras 21 REFERENCIAS [1] JUNG, H.L., 2021. Update on infantile hemangioma. Clinical and experimental pediatrics, vol. 64, no. 11, ISSN 2713-4148. DOI 10.3345/cep.2020.02061. [2] KILCLINE, C. y FRIEDEN, I.J., 2008. Infantile Hemangiomas: How Common Are They? A Systematic Review of the Medical Literature. Pediatric dermatology, vol. 25, no. 2, ISSN 0736- 8046. DOI 10.1111/j.1525-1470.2008.00626.x. [3] LEÑERO‐BARDALLO, J.A., SERRANO, C., ACHA, B., PÉREZ‐CARRASCO, J.A. y BERNABEU‐WITTEL, J., 2021. Thermography for the differential diagnosis of vascular malformations. Clinical and experimental dermatology, vol. 46, no. 2, ISSN 0307-6938. DOI 10.1111/ced.14346. [4] LEÑERO-BARDALLO, J.A., ACHA, B., SERRANO, C., PÉREZ-CARRASCO, J.A., ORTIZÁLVAREZ, J. y BERNABÉU-WITTEL, J., 2022. Thermography as a Method for Bedside Monitoring of Infantile Hemangiomas. Cancers, vol. 14, no. 21, ISSN 2072-6694. DOI 10.3390/cancers14215392. [5] RANA, M. y BHUSHAN, M., 2023. Machine learning and deep learning approach for medical image analysis: diagnosis to detection. Multimedia tools and applications, vol. 82, no. 17, ISSN 1380-7501. DOI 10.1007/s11042-022-14305-w. [6] ZHANG, A.J., LINDBERG, N., CHAMLIN, S.L., HAGGSTROM, A.N., MANCINI, A.J., SIEGEL, D.H. y DROLET, B.A., 2022. Development of an artificial intelligence algorithm for the diagnosis of infantile hemangiomas. Pediatric dermatology, vol. 39, no. 6, ISSN 0736-8046. DOI 10.1111/pde.15149. [7] OPRISESCU, S., CIUC, M. y SULTANA, A., 2021. Automatic Segmentation and Measurement of Infantile Hemangioma. Symmetry (Basel), vol. 13, no. 1, ISSN 2073-8994. DOI 10.3390/sym13010138. [8] Rangayyan, R.M.; Acha, B.; Serrano, C. Color. Image Processing with Biomedical Applications; SPIE Press: Bellingham, WA, USA, 2011. [9] Li C, Li Z, Wang Z, et al. Comprehensive color solutions: CAM16, CAT16, and CAM16-UCS. Color Res Appl. 2017; 42: 703–718. https://doi.org/10.1002/col.22131 [10] SERRANO GOTARREDONA, M. del C., LAZO MAESTRE, M., SERRANO GOTARREDONDA, A., TOLEDO-PASTRANA, T., BARROS-TORNAY, R. y ACHA PIÑERO, B., 2022. Clinically Inspired Skin Lesion Classification through the Detection of Dermoscopic Criteria for Basal Cell Carcinoma.