Investigación Científica Aplicada
Attention U-Net con Monte Carlo Uncertainty-Aware Focal Loss para la Segmentación de Lesiones Cutáneas.
Ante el incremento del cáncer de piel y la subjetividad del diagnóstico visual clásico, este proyecto presenta un modelo de Deep Learning para la segmentación automatizada de lesiones cutáneas. Utilizando la arquitectura Attention U-Net e integrando la función de pérdida Monte Carlo Uncertainty-Aware Focal Loss (MC-UAFL), el sistema optimiza la delimitación de tumores. La innovación radica en que estima la incertidumbre espacial mediante Monte Carlo Dropout y aplica una penalización dinámica (Focal Loss), mitigando errores en bordes difusos. Se validó con el dataset ISIC 2018, demostrando una alta precisión diagnóstica.
Descripcion completa
Ante el incremento del cáncer de piel y la subjetividad del diagnóstico visual clásico, este proyecto presenta un modelo de Deep Learning para la segmentación automatizada de lesiones cutáneas. Utilizando la arquitectura Attention U-Net e integrando la función de pérdida Monte Carlo Uncertainty-Aware Focal Loss (MC-UAFL), el sistema optimiza la delimitación de tumores. La innovación radica en que estima la incertidumbre espacial mediante Monte Carlo Dropout y aplica una penalización dinámica (Focal Loss), mitigando errores en bordes difusos. Se validó con el dataset ISIC 2018, demostrando una alta precisión diagnóstica.
Relacionados
Proyectos que podrian interesarte
Segmentacion Automática de Leucocitos en imagenes de Frotis Sanguíneo Mediante U-Net++ y Attention U-Net
Detección de anemia en micrografía sanguínea por medio de análisis multimodal
Sistema de apoyo basado en Deep Learning para la segmentación de gliomas en imágenes de resonancia magnética
