Clasificación de lesiones cutáneas de imágenes dermatoscópicas utilizando aprendizaje automático y redes neuronales convolucionales

La detección de enfermedades peligrosas conectadas al órgano de la piel, en particular la malignidad, requiere la identificación de lesiones cutáneas pigmentadas. Las técnicas de detección de imágenes y las capacidades de clasificación por computadora pueden aumentar la precisión en la detección del cáncer de piel. El conjunto de datos utilizado para este trabajo de investigación se basa en el conjunto de datos HAM10000, que consiste en 10015 imágenes. El trabajo propuesto ha elegido un subconjunto del conjunto de datos y ha realizado una ampliación. Un modelo con aumento de datos tiende a aprender características y rasgos más distintivos que un modelo sin aumento de datos. Incluir aumento de datos puede mejorar la precisión del modelo. Pero ese modelo no puede ofrecer resultados significativos con los datos de prueba hasta que sea robusto. La técnica de validación cruzada k-fold hace que el modelo sea robusto, lo cual ha sido implementado en el trabajo propuesto. Hemos analizado la precisión de clasificación de los algoritmos de Aprendizaje Automático y los modelos de Redes Neuronales Convolucionales. Hemos concluido que las Redes Neuronales Convolucionales proporcionan una mejor precisión en comparación con otros algoritmos de aprendizaje automático implementados en el trabajo propuesto. En el sistema propuesto, como máximo, obtuvimos una precisión del 95.18% con el modelo CNN. El trabajo propuesto ayuda a la identificación temprana de siete clases de enfermedades de la piel y puede ser validado y tratado apropiadamente por los profesionales médicos.