DESARROLLO DE UNA INTERFAZ DE CLASIFICACIÓN DE ENFERMEDADES DERMATOLÓGICAS BASADAS EN PROCESAMIENTO DE SEÑALES E INTELIGENCIA ARTIFICIAL

Duvan Andres Carreño Gómez, German Arley Portilla González

Resumen


El presente trabajo consiste en diseñar una interfaz de clasificación de enfermedades dermatológicas como acné, urticaria, dermatitis, herpes zoster, vitíligo, melanoma y lesión vascular. Mediante la aplicación de técnicas de procesamiento de señales e inteligencia artificial a  pacientes con estas patologías en la piel de diferentes áreas corporales, permitiendo al usuario capturar una imagen mediante la activación de la cámara web del ordenador, para  así poder procesarla  y extraer los  patrones característicos comparándolas con la base de datos de las enfermedades dermatológicas establecidas, realizando un análisis interno permitiendo identificar y clasificar el tipo de enfermedad que presenta el paciente en la piel para su correcta prevención y tratamiento.

Texto completo:

PDF

Referencias


Attard, N. R. (2021). Acne , hidradenitis suppurativa and hyperhidrosis Key points. Medicine. https://doi.org/10.1016/j.mpmed.2021.03.009

Ballesteros, Dora M.Moreno, D. M., & Gaona, A. E. (2012). FPGA compression of ECG signals by using modified convolution scheme of the Discrete Wavelet Transform Compresión de señales ECG sobre FPGA utilizando un esquema modificado de convolución de la Transformada Wavelet Discreta. Ingeniare, Revista Chilena de Ingeniería, 20(101), 8–16.

Barbieri, J. S., Weiner, D. M., Kakpovbia, E., & Nagler, A. R. (2021). Validating the optimal classification approach using International Classification of Diseases, 10th Revision codes to identify dermatology patients with acne. Journal of the American Academy of Dermatology, 84(5), 1491–1493. https://doi.org/10.1016/j.jaad.2020.07.075

Espinosa, A., Reficco, E., Martínez, A., & Guzmán, D. (2015). A methodology for supporting strategy implementation based on the VSM: A case study in a Latin-American multi-national. European Journal of Operational Research, 240(1), 202–212. https://doi.org/10.1016/j.ejor.2014.06.014

Fayed, H. A., & Atiya, A. F. (2019). Speed up grid-search for parameter selection of support vector machines. Applied Soft Computing Journal, 80, 202–210. https://doi.org/10.1016/j.asoc.2019.03.037

Marchetti, M. A., Liopyris, K., Dusza, S. W., Codella, N. C. F., Gutman, D. A., Helba, B., Kalloo, A., Halpern, A. C., Soyer, H. P., Curiel-Lewandrowski, C., Caffery, L., & Malvehy, J. (2020). Computer algorithms show potential for improving dermatologists’ accuracy to diagnose cutaneous melanoma: Results of the International Skin Imaging Collaboration 2017. Journal of the American Academy of Dermatology, 82(3), 622–627. https://doi.org/10.1016/j.jaad.2019.07.016

Pérez, F., & Mendoza, L. (2017). COMPRESSIVE SENSING Y DEEP LEARNING: EXTRACCIÓN DE PATRONES Y CLASIFICACIÓN DE DATOS ELECTROCARDIOGRAFICOS. 7, 1–448.

Zhong, C. S., Coughlin, C. C., Hawryluk, E. B., Hook, K., Humphrey, S. R., Kruse, L., Lawley, L., Kao, P. C., London, W. B., Marghoob, A. A., Phung, T. L., Pope, E., Gerami, P., Schmidt, B., Bahrani, E., Bartenstein, D., Brahmbhatt, M., Chen, L., Haddock, E., … Huang, J. T. (2021). Characteristics of nonmelanoma skin cancer in children without identifiable risk factors. Journal of the American Academy of Dermatology, 84(5), 1472–1476. https://doi.org/10.1016/j.jaad.2020.07.046


Enlaces refback

  • No hay ningún enlace refback.