Please use this identifier to cite or link to this item: http://hdl.handle.net/10609/147384
Full metadata record
DC FieldValueLanguage
dc.contributor.authorMartín Tinaquero, David-
dc.contributor.otherSanchez-Bocanegra, Carlos Luis-
dc.contributor.otherFernandez-Luque, Luis-
dc.coverage.spatialSanta Oliva, ESP-
dc.date.accessioned2023-02-09T10:18:58Z-
dc.date.available2023-02-09T10:18:58Z-
dc.date.issued2023-01-15-
dc.identifier.urihttp://hdl.handle.net/10609/147384-
dc.description.abstractDetectar el cáncer de piel cuando se encuentra en sus etapas iniciales a menudo permite la posibilidad de contar con más opciones de tratamiento. En algunos casos de la enfermedad en etapa inicial surgen signos y síntomas, pero esto no siempre es así. En la actualidad, los métodos más extendidos para detectar el cáncer en sus etapas iniciales son el autoexamen y el examen realizado por un médico especialista (dermatólogo). El primer método tiene como inconveniente que la mayoría de la ciudadanía no sabe distinguir una lesión cutánea benigna de una cancerosa. El inconveniente principal de la segunda alternativa son los largos tiempos de espera para ser atendido por un dermatólogo, ya que se encuentran entre los tres especialistas más demandados, superados tan solo por los traumatólogos y oftalmólogos. Este trabajo tiene por objetivo diseñar e implementar una herramienta de diagnóstico temprano que pueda ser utilizada en la práctica clínica como herramienta de apoyo al médico, haciendo de asistente al diagnóstico para optimizar tiempos, y también ayude a personas sin conocimientos en dermatología haciendo de asesor para la detección de tumores cancerosos durante el autochequeo de la piel. El trabajo investiga la viabilidad de uso de deep learning, concretamente, redes neuronales convolucionales (CNN) y transformer, para la clasificación de lesiones cutáneas a partir de imágenes.es
dc.description.abstractFinding skin cancer early often opens up more treatment options. Signs and symptoms do occur in some cases of early-stage disease, but this is not always the case. Currently, the most widespread methods to detect cancer in its early stages are self-examination and examination by a specialist doctor (dermatologist). The first method has the drawback that most citizens do not know how to distinguish a benign skin lesion from a cancerous one. The main drawback of the second alternative is the long waiting times to be seen by a dermatologist, since they are among the three most in-demand specialists, surpassed only by traumatologists and ophthalmologists. The objective of this work is to design and implement an early diagnosis tool that can be used in clinical practice as a support tool for the doctor, acting as a diagnostic assistant to optimize times, and also help people without dermatology knowledge by acting as an advisor for the detection of cancerous tumors during the self-examination of the skin. The work investigates the feasibility of using deep learning, specifically, convolutional and transformer neural networks, for the classification of skin lesions from images.en
dc.description.abstractDetectar el càncer de pell quan es troba en les seves etapes inicials sovint permet la possibilitat de comptar amb més opcions de tractament. En alguns casos de la malaltia en etapa inicial sorgeixen signes i símptomes, però això no sempre és així. En l'actualitat, els mètodes més estesos per a detectar el càncer en les seves etapes inicials són l'autoexamen i l'examen realitzat per un metge especialista (dermatòleg). El primer mètode té com a inconvenient que la majoria de la ciutadania no sap distingir una lesió cutània benigna d'una cancerosa. L'inconvenient principal de la segona alternativa són els llargs temps d'espera per a ser atès per un dermatòleg, ja que es troben entre els tres especialistes més demandats, superats tan sols pels traumatòlegs i oftalmòlegs. Aquest treball té per objectiu dissenyar i implementar una eina de diagnòstic primerenc que pugui ser utilitzada en la pràctica clínica com a eina de suport al metge, fent d'assistent al diagnòstic per a optimitzar temps, i també ajudi a persones sense coneixements en dermatologia fent d'assessor per a la detecció de tumors cancerosos durant el autochequeo de la pell. El treball investiga la viabilitat d'ús de deep learning, concretament, xarxes neuronals convolucionals (CNN) i transformer, per a la classificació de lesions cutànies a partir d'imatges.ca
dc.format.mimetypeapplication/pdf-
dc.language.isospaca
dc.publisherUniversitat Oberta de Catalunya (UOC)ca
dc.rightsCC BY-NC-ND*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/es/-
dc.subjectdeep learninges
dc.subjectskin canceren
dc.subjectcáncer de pieles
dc.subjectcàncer de pellca
dc.subjectinteligencia artificiales
dc.subjectintel·ligència artificialca
dc.subjectartificial intelligenceen
dc.subjectaprendizaje profundoes
dc.subjectaprenentatge profundca
dc.subjectdeep learningen
dc.subject.lcshArtificial intelligence -- TFMen
dc.titleDetección temprana de cáncer de piel mediante clasificador de imágenes basado en Inteligencia Artificialca
dc.typeinfo:eu-repo/semantics/masterThesisca
dc.audience.educationlevelEstudis de Màsterca
dc.audience.educationlevelEstudios de Másteres
dc.audience.educationlevelMaster's degreesen
dc.subject.lemacIntel·ligència artificial -- TFMca
dc.subject.lcshesInteligencia artificial -- TFMes
dc.contributor.tutorSolé-Ribalta, Albert-
dc.rights.accessRightsinfo:eu-repo/semantics/openAccess-
Appears in Collections:Bachelor thesis, research projects, etc.

Files in This Item:
File Description SizeFormat 
TFM_David_Martin_Tinaquero.pptxPresentación de la memoria3,06 MBMicrosoft Powerpoint XMLView/Open
dmt88TFM0123memoria.pdfMemoria del TFM3,74 MBAdobe PDFThumbnail
View/Open
dmt88TFM0123presentacion.pdfPresentación en PDF del TFM1,18 MBAdobe PDFThumbnail
View/Open
Share:
Export:
View statistics

This item is licensed under aCreative Commons License Creative Commons