Resumen

Vivimos en un mundo en el que la gente padece muchas enfermedades. El cáncer es la más amenazadora de todas ellas. Entre todas las variantes del cáncer, el cáncer de piel se está extendiendo rápidamente. Se produce debido al crecimiento anormal de las células de la piel. El aumento de la radiación ultravioleta en la superficie de la Tierra también está ayudando a que el cáncer de piel se extienda por todos los rincones del mundo. Los tipos benigno y maligno son los cánceres de piel más comunes. Las personas se someten a tratamientos caros y largos para curar el cáncer de piel, pero no consiguen reducir la tasa de mortalidad. Para reducir la tasa de mortalidad, es útil la detección precoz del cáncer de piel en su fase incipiente. En el mundo actual, se está utilizando el aprendizaje profundo para detectar enfermedades. La red neuronal convolucional (CNN) ayuda a encontrar el cáncer de piel a través de la clasificación de imágenes con mayor precisión. Esta investigación contiene información sobre muchos modelos de CNN y una comparación de sus procesos de trabajo para encontrar los mejores resultados. Se utilizan modelos preentrenados como VGG16, Support Vector Machine (SVM), ResNet50 y modelos autoconstruidos (secuenciales) para analizar el proceso de los modelos CNN. Estos modelos funcionan de forma diferente, ya que hay variaciones en su número de capas. En función de sus capas y procesos de trabajo, algunos modelos funcionan mejor que otros. Se ha tomado un conjunto de datos de imágenes benignas y malignas de Kaggle. En este conjunto de datos, hay 6594 imágenes de cáncer de piel benigno y maligno. Utilizando diferentes enfoques, hemos obtenido resultados precisos para VGG16 (93,18%), SVM (83,48%), ResNet50 (84,39%), Sequential_Model_1 (74,24%), Sequential_Model_2 (77,00%), y Sequential_Model_3 (84,09%). Esta investigación compara estos resultados basándose en el proceso de trabajo del modelo. Nuestra comparación incluye el número de capas del modelo, el proceso de trabajo y la precisión. El modelo VGG16 nos ha proporcionado la mayor precisión, con un 93,18%.

• Materias:Insuficiencia cardíaca Plataforma de servicios Filtro de orden óptimo Características clínicas Osteoporosis
• Subjects:Heart failure Platform services Optimal order filtering Clinical features Osteoporosis
• Palabras claves:cáncer de piel, modelos, mundo, tasa de mortalidad, cánceres de piel comunes personas, Support Vector Machine, red neuronal convolucional, cáncer de piel maligno, muchos modelos CNN, número de capas del modelo
• Keywords:skin cancer, models, world, mortality rate, common skin cancers people, Support Vector Machine, convolutional neural network, malignant skin cancer, many CNN models, model layer numbers