Modelo de detección de cáncer cervical en muestras de tejido celular utilizando Máquinas de Soporte Vectorial

RESUMEN : En esta monografía se genera un modelo de detección de cáncer cervical usando máquinas de soporte vectorial para clasificar diferentes tipos de células basados en sus características citomorfológicas. Para lo anterior se establece una metodología de varias etapas. Primero se comienza con e...

Full description

Autores:
Muñoz Lopera, July Andrea
López Sánchez, Daniel Alberto
Tipo de recurso:
Tesis
Fecha de publicación:
2023
Institución:
Universidad de Antioquia
Repositorio:
Repositorio UdeA
Idioma:
spa
OAI Identifier:
oai:bibliotecadigital.udea.edu.co:10495/35510
Acceso en línea:
https://hdl.handle.net/10495/35510
Palabra clave:
Neoplasias del cuello uterino
Uterine Cervical Neoplasms
Células
Cells
Detección precoz del cáncer
Early Detection of Cancer
Programas de detección diagnóstica
Diagnostic Screening Programs
Cáncer cervical
Extracción datos atípicos
Reducción dimensionalidad
Máquinas de soporte vectorial
Rights
openAccess
License
http://creativecommons.org/licenses/by-nc-sa/2.5/co/
Description
Summary:RESUMEN : En esta monografía se genera un modelo de detección de cáncer cervical usando máquinas de soporte vectorial para clasificar diferentes tipos de células basados en sus características citomorfológicas. Para lo anterior se establece una metodología de varias etapas. Primero se comienza con el preprocesamiento y preparación de los datos, en donde se extraen características de las imágenes en cada canal de color RGB. Se utilizan siete características: intensidad, suavidad, uniformidad, tercer momento, entropía, desviación estándar y mediana. Además, se usa la característica luminancia en escala de grises. Con lo anterior se hace una detección y eliminación datos atípicos utilizando el método LOF (Local Outlier Factor). Luego, se procede a evaluar diferentes técnicas de escalamiento: Robusto, Estándar y MinMax, y de reducción de dimensionalidad: Análisis de Componentes Independientes (ICA), Análisis de Componentes Principales (PCA) y Análisis Discriminante Lineal (LDA). Con estas técnicas se busca simplificar la representación de los datos y evitar el sobreajuste. En la aplicación del modelo de máquinas de soporte vectorial (SVM del inglés Support Vector Machine), se utiliza el mejor método de reducción de dimensionalidad obtenido previamente y se evalúa el modelo mediante la exactitud ajustando diferentes hiper parámetros como el kernel, la regularización C, el valor gamma, el coef0 y el degree, buscando obtener el mejor rendimiento del modelo.