Publicación: Clasificación de cáncer cervical usando redes neuronales convolucionales, transferencia de aprendizaje y aumento de datos
Portada
Citas bibliográficas
Gestores Bibliográficos
Indexadores
Código QR
Autor corporativo
Recolector de datos
Otros/Desconocido
Director audiovisual
Editor/Compilador
Editores
Fecha
Cita bibliográfica
Título de serie/ reporte/ volumen/ colección
Es Parte de
Resumen en español
El cáncer cervical se forma en las células que revisten el cuello uterino y la parte inferior del útero. Debido a razones de costo y baja oferta de servicios destinados a la detección de este tipo de cáncer, muchas mujeres no tienen acceso a un diagnóstico pronto y preciso, ocasionando un inicio tardío del tratamiento. Para dar solución a este problema se implementó una metodología que clasifica de manera automática el tipo de cáncer cervical, entre leve (Tipo 1 y 2) y agresivo (Tipo 3), utilizando técnicas de procesamiento digital de imágenes y aprendizaje profundo. Se trabajó en la construcción de un modelo computacional con base en redes neuronales convolucionales, transferencia de aprendizaje y aumento de datos, obteniendo precisiones de clasificación de hasta 97,35% sobre los datos de validación, asegurando la confiabilidad de los resultados. Con este trabajo se demostró que el diseño propuesto puede ser usado como un complemento para mejorar la eficiencia de las herramientas del diagnóstico asistido del cáncer.
Resumen en inglés
Cervical cancer is formed in the cells that line the cervix and the lower part of uterus. Due to the cost and low reasons and low supply of services for the detection of this type of cancer many women do not have access to an early an accurate diagnosis. With the purpose of solving this issue ir was created a certain method that helps us to automatically classify the different types of cervical cancer, such as mild type 1 and 2, and aggressive (type 3), using digital image processing techniques and deep learning. We have a built a computational model based on convolutional neural networks, transfer learning and data increase, which help us obtain a classification accuracy up to 97.35% on the validation data, thus, we can ensure the reliability of the results. With this work it was demonstrated that the proposed design can be used as a complement to improve the tools of the assisted diagnosis of cancer.