Algoritmos genéticos para la mejora de iluminación en imágenes macroscópicas y modelos basados en redes neuronales para la segmentación y detección de lesiones cutáneas

Abstract

El cáncer de piel es una de las formas de cáncer más comunes y de rápido crecimiento a nivel mundial. Tradicionalmente, las imágenes dermatoscópicas han sido el estándar para evaluar lesiones cutáneas debido a su alta resolución y detalle. Sin embargo, las imágenes macroscópicas están ganando popularidad en la práctica clı́nica por su accesibilidad y facilidad de uso, aunque suelen presentar una calidad inferior que puede afectar la precisión del diagnóstico. Este estudio propone y evalúa técnicas para mejorar la iluminación de imágenes macroscópicas mediante algoritmos genéticos (AGs), modelos U-Net para la segmentación de lesiones cutáneas y redes neuronales convolucionales para la detección de melanoma. Mediante la aplicación de AGs para ajustar el contraste y brillo, se logró mejorar la calidad visual de las imágenes en comparación con los métodos del estado del arte. Estas imágenes mejoradas permitieron obtener los mejores resultados en segmentación con el modelo Attention U-Net, alcanzando un ı́ndice Dice de 0.871, superando a imágenes originales y a aquellas mejoradas con métodos del estado del arte. Además, para la detección de melanoma, se evaluaron tres enfoques de imágenes: originales, mejoradas con AGs, y mejoradas con AGs y segmentadas. El enfoque de imágenes mejoradas y segmentadas junto con Resnet-50 logró un AUCROC de 0.80, lo que representa una mejora del 4 % respecto a las originales y del 2 % respecto a las solo mejoradas. Estos resultados destacan la eficacia de combinar técnicas de mejora y segmentación para mejorar la precisión en la detección de melanoma.