Un estudio sobre preprocesamiento y mecanismos de atención en Redes Neuronales Convolucionales para clasificación de lesiones de Piel
- Autores
- Nehmad Alché, Miguel
- Año de publicación
- 2020
- Idioma
- español castellano
- Tipo de recurso
- tesis de grado
- Estado
- versión publicada
- Colaborador/a o director/a de tesis
- Acevedo, Daniel Germán
- Descripción
- El melanoma es una forma de cáncer de piel muy peligrosa para la salud. El diagnóstico temprano del mismo es crucial para aumentar las posibilidades de su cura. En base a ello se puede utilizar algoritmos de visión por computadora para analizar imágenes demoscópicas de las lesiones en la piel y clasificar si se trata de lesiones benignas o malignas. En este trabajo estudiamos diversas mejoras que se le pueden aplicar a las redes convolucionales: desde métodos de preprocesamiento sobre el dataset hasta mecanismos de attention sobre la red en sí. Descubrimos que el mecanismo de attention residual learning mejora la performance de la red EfficientNet, así como utilizar algoritmos de preprocesamiento que remueven las frecuencias bajas de las imágenes del dataset.
Melanoma is a very dangerous form of skin cancer. Early diagnosis of it is crucial to increase the chances of its cure. Based on this, computer vision algorithms can be used to analyze dermoscopic images of skin lesions and decide if these correspond to benign or malignant tumors. In this work we study various improvements that can be applied to convolutional networks: ranging from preprocessing methods on the dataset up to attention mechanisms on the network itself. We discovered that the attention residual learning mechanism improves the performance of the EfficientNet network, as well as using preprocessing algorithms that remove low frequencies from the dataset images.
Fil: Nehmad Alché, Miguel. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales; Argentina. - Materia
-
APRENDIZAJE PROFUNDO
VISION POR COMPUTADORA
CANCER DE PIEL
ATTENTION
REDES NEURONALES CONVOLUCIONALES
DEEP LEARNING
COMPUTER VISION
SKIN CANCER
ATTENTION
CONVOLUTIONAL NEURAL NETWORKS - Nivel de accesibilidad
- acceso abierto
- Condiciones de uso
- https://creativecommons.org/licenses/by-nc-sa/2.5/ar
- Repositorio
- Institución
- Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturales
- OAI Identificador
- seminario:seminario_nCOM000566_NehmadAlche
Ver los metadatos del registro completo
id |
BDUBAFCEN_247fdd6124c804bffbfaec650528f140 |
---|---|
oai_identifier_str |
seminario:seminario_nCOM000566_NehmadAlche |
network_acronym_str |
BDUBAFCEN |
repository_id_str |
1896 |
network_name_str |
Biblioteca Digital (UBA-FCEN) |
spelling |
Un estudio sobre preprocesamiento y mecanismos de atención en Redes Neuronales Convolucionales para clasificación de lesiones de PielNehmad Alché, MiguelAPRENDIZAJE PROFUNDOVISION POR COMPUTADORACANCER DE PIELATTENTIONREDES NEURONALES CONVOLUCIONALESDEEP LEARNINGCOMPUTER VISIONSKIN CANCERATTENTIONCONVOLUTIONAL NEURAL NETWORKSEl melanoma es una forma de cáncer de piel muy peligrosa para la salud. El diagnóstico temprano del mismo es crucial para aumentar las posibilidades de su cura. En base a ello se puede utilizar algoritmos de visión por computadora para analizar imágenes demoscópicas de las lesiones en la piel y clasificar si se trata de lesiones benignas o malignas. En este trabajo estudiamos diversas mejoras que se le pueden aplicar a las redes convolucionales: desde métodos de preprocesamiento sobre el dataset hasta mecanismos de attention sobre la red en sí. Descubrimos que el mecanismo de attention residual learning mejora la performance de la red EfficientNet, así como utilizar algoritmos de preprocesamiento que remueven las frecuencias bajas de las imágenes del dataset.Melanoma is a very dangerous form of skin cancer. Early diagnosis of it is crucial to increase the chances of its cure. Based on this, computer vision algorithms can be used to analyze dermoscopic images of skin lesions and decide if these correspond to benign or malignant tumors. In this work we study various improvements that can be applied to convolutional networks: ranging from preprocessing methods on the dataset up to attention mechanisms on the network itself. We discovered that the attention residual learning mechanism improves the performance of the EfficientNet network, as well as using preprocessing algorithms that remove low frequencies from the dataset images.Fil: Nehmad Alché, Miguel. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales; Argentina.Universidad de Buenos Aires. Facultad de Ciencias Exactas y NaturalesAcevedo, Daniel Germán2020info:eu-repo/semantics/bachelorThesisinfo:eu-repo/semantics/publishedVersionhttp://purl.org/coar/resource_type/c_7a1finfo:ar-repo/semantics/tesisDeGradoapplication/pdfhttps://hdl.handle.net/20.500.12110/seminario_nCOM000566_NehmadAlchespainfo:eu-repo/semantics/openAccesshttps://creativecommons.org/licenses/by-nc-sa/2.5/arreponame:Biblioteca Digital (UBA-FCEN)instname:Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturalesinstacron:UBA-FCEN2025-09-04T09:49:29Zseminario:seminario_nCOM000566_NehmadAlcheInstitucionalhttps://digital.bl.fcen.uba.ar/Universidad públicaNo correspondehttps://digital.bl.fcen.uba.ar/cgi-bin/oaiserver.cgiana@bl.fcen.uba.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:18962025-09-04 09:49:29.98Biblioteca Digital (UBA-FCEN) - Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturalesfalse |
dc.title.none.fl_str_mv |
Un estudio sobre preprocesamiento y mecanismos de atención en Redes Neuronales Convolucionales para clasificación de lesiones de Piel |
title |
Un estudio sobre preprocesamiento y mecanismos de atención en Redes Neuronales Convolucionales para clasificación de lesiones de Piel |
spellingShingle |
Un estudio sobre preprocesamiento y mecanismos de atención en Redes Neuronales Convolucionales para clasificación de lesiones de Piel Nehmad Alché, Miguel APRENDIZAJE PROFUNDO VISION POR COMPUTADORA CANCER DE PIEL ATTENTION REDES NEURONALES CONVOLUCIONALES DEEP LEARNING COMPUTER VISION SKIN CANCER ATTENTION CONVOLUTIONAL NEURAL NETWORKS |
title_short |
Un estudio sobre preprocesamiento y mecanismos de atención en Redes Neuronales Convolucionales para clasificación de lesiones de Piel |
title_full |
Un estudio sobre preprocesamiento y mecanismos de atención en Redes Neuronales Convolucionales para clasificación de lesiones de Piel |
title_fullStr |
Un estudio sobre preprocesamiento y mecanismos de atención en Redes Neuronales Convolucionales para clasificación de lesiones de Piel |
title_full_unstemmed |
Un estudio sobre preprocesamiento y mecanismos de atención en Redes Neuronales Convolucionales para clasificación de lesiones de Piel |
title_sort |
Un estudio sobre preprocesamiento y mecanismos de atención en Redes Neuronales Convolucionales para clasificación de lesiones de Piel |
dc.creator.none.fl_str_mv |
Nehmad Alché, Miguel |
author |
Nehmad Alché, Miguel |
author_facet |
Nehmad Alché, Miguel |
author_role |
author |
dc.contributor.none.fl_str_mv |
Acevedo, Daniel Germán |
dc.subject.none.fl_str_mv |
APRENDIZAJE PROFUNDO VISION POR COMPUTADORA CANCER DE PIEL ATTENTION REDES NEURONALES CONVOLUCIONALES DEEP LEARNING COMPUTER VISION SKIN CANCER ATTENTION CONVOLUTIONAL NEURAL NETWORKS |
topic |
APRENDIZAJE PROFUNDO VISION POR COMPUTADORA CANCER DE PIEL ATTENTION REDES NEURONALES CONVOLUCIONALES DEEP LEARNING COMPUTER VISION SKIN CANCER ATTENTION CONVOLUTIONAL NEURAL NETWORKS |
dc.description.none.fl_txt_mv |
El melanoma es una forma de cáncer de piel muy peligrosa para la salud. El diagnóstico temprano del mismo es crucial para aumentar las posibilidades de su cura. En base a ello se puede utilizar algoritmos de visión por computadora para analizar imágenes demoscópicas de las lesiones en la piel y clasificar si se trata de lesiones benignas o malignas. En este trabajo estudiamos diversas mejoras que se le pueden aplicar a las redes convolucionales: desde métodos de preprocesamiento sobre el dataset hasta mecanismos de attention sobre la red en sí. Descubrimos que el mecanismo de attention residual learning mejora la performance de la red EfficientNet, así como utilizar algoritmos de preprocesamiento que remueven las frecuencias bajas de las imágenes del dataset. Melanoma is a very dangerous form of skin cancer. Early diagnosis of it is crucial to increase the chances of its cure. Based on this, computer vision algorithms can be used to analyze dermoscopic images of skin lesions and decide if these correspond to benign or malignant tumors. In this work we study various improvements that can be applied to convolutional networks: ranging from preprocessing methods on the dataset up to attention mechanisms on the network itself. We discovered that the attention residual learning mechanism improves the performance of the EfficientNet network, as well as using preprocessing algorithms that remove low frequencies from the dataset images. Fil: Nehmad Alché, Miguel. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales; Argentina. |
description |
El melanoma es una forma de cáncer de piel muy peligrosa para la salud. El diagnóstico temprano del mismo es crucial para aumentar las posibilidades de su cura. En base a ello se puede utilizar algoritmos de visión por computadora para analizar imágenes demoscópicas de las lesiones en la piel y clasificar si se trata de lesiones benignas o malignas. En este trabajo estudiamos diversas mejoras que se le pueden aplicar a las redes convolucionales: desde métodos de preprocesamiento sobre el dataset hasta mecanismos de attention sobre la red en sí. Descubrimos que el mecanismo de attention residual learning mejora la performance de la red EfficientNet, así como utilizar algoritmos de preprocesamiento que remueven las frecuencias bajas de las imágenes del dataset. |
publishDate |
2020 |
dc.date.none.fl_str_mv |
2020 |
dc.type.none.fl_str_mv |
info:eu-repo/semantics/bachelorThesis info:eu-repo/semantics/publishedVersion http://purl.org/coar/resource_type/c_7a1f info:ar-repo/semantics/tesisDeGrado |
format |
bachelorThesis |
status_str |
publishedVersion |
dc.identifier.none.fl_str_mv |
https://hdl.handle.net/20.500.12110/seminario_nCOM000566_NehmadAlche |
url |
https://hdl.handle.net/20.500.12110/seminario_nCOM000566_NehmadAlche |
dc.language.none.fl_str_mv |
spa |
language |
spa |
dc.rights.none.fl_str_mv |
info:eu-repo/semantics/openAccess https://creativecommons.org/licenses/by-nc-sa/2.5/ar |
eu_rights_str_mv |
openAccess |
rights_invalid_str_mv |
https://creativecommons.org/licenses/by-nc-sa/2.5/ar |
dc.format.none.fl_str_mv |
application/pdf |
dc.publisher.none.fl_str_mv |
Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales |
publisher.none.fl_str_mv |
Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales |
dc.source.none.fl_str_mv |
reponame:Biblioteca Digital (UBA-FCEN) instname:Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturales instacron:UBA-FCEN |
reponame_str |
Biblioteca Digital (UBA-FCEN) |
collection |
Biblioteca Digital (UBA-FCEN) |
instname_str |
Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturales |
instacron_str |
UBA-FCEN |
institution |
UBA-FCEN |
repository.name.fl_str_mv |
Biblioteca Digital (UBA-FCEN) - Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturales |
repository.mail.fl_str_mv |
ana@bl.fcen.uba.ar |
_version_ |
1842340721857658880 |
score |
12.623145 |