Comparación de Métodos de Clasificación aplicados al  Diagnóstico de Melanomas Malignosutilizando Asimetría

Comparison of classification methods applied to the diagnosis of malignant melanoma using asymmetry

Publicación:
Entidad Editora:
Editor Técnico:
ISSN:
Ejemplar/Número:
Cateoría:
Páginas:
Colección:
Fecha de inicio:
Periodicidad:

Programación Matemática y Software
Universidad Autónoma del Estado de Morelos
Dr.Marco Antonio Cruz Chávez
2007-3283
Volumen 6, Número 2 /Junio del 2014
Artículo de Investigación
51-56
Computación
Junio del 2014
Cuatrimestral

Juan Paulo Sánchez Hernández, Deny Lizbeth Hernández Rabadán

Universidad Politécnica del Estado de Morelos, Boulevard Cuauhnáhuac #566, Col. Lomas del Texcal, Jiutepec, Morelos. CP 62550

Tecnológico de Monterrey, Campus Cuernavaca, Autopista del Sol Km 104, Colonia Real del Puente, 62790, Xochitepec, Morelos, México

Recibido: 18 febrero 2014 Aceptado: 28 mayo 2014 Publicado en línea: 30 junio 2014

Resumen. Las características físicas externas de un melanoma maligno, tales como su asimetría, color, diámetro y borde; permiten identificarlo y diferenciarlo con respecto a una lesión común o melanoma benigno, sin necesidad de recurrir a una biopsia. En este trabajo se presenta una metodología y una comparación de resultados obtenidos utilizando las Redes Neuronales, ID3, Maquinas de Soporte Vectorial y Naive Bayes. Además, se extrajeron los patrones de la imagen segmentadaempleando momentos geométricos, los cuales se utilizaron para entrenar cada uno de los modelos presentados. Para comparar los resultados se utiliza la validación cruzada, la cual no arroja la precisión de cada uno de los modelos evaluados.

Palabras clave: Melanoma maligno, Redes Neuronales, ID3, Maquinas de soporte vectorial, Naive Bayes, Momentos geométricos.

Abstract. The external physical characteristics of a melanoma, such as asymmetry, color, border and diameter; allow to identify and differentiate regarding benign melanoma, without need for biopsy. This research presents a methodology and a comparison of results obtained using Artificial Neural Networks, ID3, Support Vector Machines and Naive Bayes are presented. In addition, the patterns of the segmented image were extracted using geometric moments, which were used to train each of the models presented. To compare the results used cross-validation is applied to obtainthe precision of the models tested.

Keywords: Melanoma, Neural Networks, Naive Bayes, SVM, ID3, Cross Validation.