Detección de melanoma
Estudio de ResNet50 y mecanismos de atención para clasificar imágenes dermatoscópicas y analizar las predicciones.
Trabajo de Fin de Máster en Inteligencia Artificial en la Universidad Alfonso X el Sabio. Investiga cómo cambia el comportamiento de una red convolucional al incorporar mecanismos de atención.
El problema
Clasificar melanoma en imágenes dermatoscópicas implica trabajar con clases desbalanceadas y lesiones visualmente complejas. Además de medir el rendimiento, es necesario estudiar qué regiones de las imágenes influyen en las predicciones.
La solución
El proyecto compara ResNet50 con dos variantes que incorporan atención: Squeeze-and-Excitation (SE) y CBAM. Utiliza HAM10000 para una clasificación binaria de melanoma y no melanoma, y Grad-CAM para analizar las regiones relevantes para cada modelo.
Cómo funciona.
Particionado agrupado por lesión para evitar que imágenes de la misma lesión aparezcan en entrenamiento y prueba.
Validación cruzada de cinco particiones, aumento de datos y muestreo ponderado para abordar el desbalance.
Transfer learning y fine-tuning de ResNet50, con comparación de las variantes SE y CBAM.
Evaluación con sensibilidad, precisión, F1 y ROC-AUC, junto con mapas de activación Grad-CAM.
La base técnica.
El flujo experimental se desarrolla con Python, PyTorch y Torchvision. Combina preparación de metadatos, entrenamiento y evaluación sobre un conjunto de prueba reservado, y análisis visual de aciertos y errores.
Resultado y alcance.
El estudio permite comparar el equilibrio entre sensibilidad y precisión de las tres arquitecturas. La atención no mejora todas las métricas de forma uniforme y la evaluación sobre HAM10000 no garantiza la generalización a otros entornos. Es un proyecto académico de investigación, sin validación para uso diagnóstico clínico.
¿Tienes un proceso que podría funcionar mejor?
Cuéntame qué necesitas y vemos cómo convertirlo en una solución útil para tí o tu empresa.
Hablemos de tu proyecto