Resumen

El melanoma es un tipo de cáncer de piel que suele dar lugar a respuestas de mal pronóstico y tasas de supervivencia. El melanoma suele desarrollarse en las extremidades, incluidos los dedos, las palmas y los márgenes de las uñas. Cuando el melanoma se detecta de forma precoz, el tratamiento quirúrgico puede lograr una mayor tasa de curación. El diagnóstico precoz del melanoma depende de la segmentación manual de las lesiones sospechosas. Sin embargo, la segmentación manual puede dar lugar a problemas, como la clasificación errónea y la baja eficacia. Por lo tanto, es esencial idear un método de segmentación automática de imágenes que supere los problemas mencionados. En este estudio se propone un algoritmo mejorado, denominado EfficientUNet , que se desarrolla a partir del modelo U-Net. En EfficientUNet , el modelo EfficientNet preentrenado se añade al modelo UNet para acelerar el proceso de segmentación, lo que permite obtener resultados más fiables y precisos en la segmentación de imágenes de cáncer de piel. Se utilizaron dos conjuntos de datos de lesiones cutáneas para comparar el rendimiento del algoritmo EfficientUNet propuesto con otros modelos comunes. En el conjunto de datos PH2, EfficientUNet logró un mejor coeficiente Dice (93% frente a 76%-91%), Intersección sobre Unión (IoU, 96% frente a 74%-95%) y valor de pérdida (30% frente a 44%-32%) en comparación con otros modelos. En el conjunto de datos de la International Skin Imaging Collaboration, EfficientUNet obtuvo un coeficiente Dice similar (96% frente a 94%-96%) pero un mejor IoU (94% frente a 89%-93%) y valor de pérdida (11% frente a 13%-11%) que otros modelos. En conclusión, el modelo EfficientUNet detecta eficazmente las lesiones cutáneas mejorando los coeficientes compuestos y ampliando estructuralmente el tamaño de la red de convolución. Además, el uso de unidades residuales profundiza la red para mejorar aún más el rendimiento.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:valor de pérdida, segmentación manual, colaboración en imágenes de la piel, respuesta de mal pronóstico, mejor coeficiente de dados, conjuntos de datos de lesiones de la piel, algoritmo efficientunet propuesto, coeficiente de dados similar, imágenes internacionales de la piel, modelo efficientnet preentrenado
• Keywords:loss value, manual segmentation, skin imaging collaboration, poor prognostic response, better dice coefficient, skin lesions datasets, proposed efficientunet++ algorithm, similar dice coefficient, international skin imaging, pretrained efficientnet model