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...
- 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/
| id |
UDEA2_a80e5e8d5c19c69f6416805b138712b5 |
|---|---|
| oai_identifier_str |
oai:bibliotecadigital.udea.edu.co:10495/35510 |
| network_acronym_str |
UDEA2 |
| network_name_str |
Repositorio UdeA |
| repository_id_str |
|
| dc.title.spa.fl_str_mv |
Modelo de detección de cáncer cervical en muestras de tejido celular utilizando Máquinas de Soporte Vectorial |
| title |
Modelo de detección de cáncer cervical en muestras de tejido celular utilizando Máquinas de Soporte Vectorial |
| spellingShingle |
Modelo de detección de cáncer cervical en muestras de tejido celular utilizando Máquinas de Soporte Vectorial 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 |
| title_short |
Modelo de detección de cáncer cervical en muestras de tejido celular utilizando Máquinas de Soporte Vectorial |
| title_full |
Modelo de detección de cáncer cervical en muestras de tejido celular utilizando Máquinas de Soporte Vectorial |
| title_fullStr |
Modelo de detección de cáncer cervical en muestras de tejido celular utilizando Máquinas de Soporte Vectorial |
| title_full_unstemmed |
Modelo de detección de cáncer cervical en muestras de tejido celular utilizando Máquinas de Soporte Vectorial |
| title_sort |
Modelo de detección de cáncer cervical en muestras de tejido celular utilizando Máquinas de Soporte Vectorial |
| dc.creator.fl_str_mv |
Muñoz Lopera, July Andrea López Sánchez, Daniel Alberto |
| dc.contributor.advisor.none.fl_str_mv |
Salazar Sánchez, María Bernarda |
| dc.contributor.author.none.fl_str_mv |
Muñoz Lopera, July Andrea López Sánchez, Daniel Alberto |
| dc.subject.decs.none.fl_str_mv |
Neoplasias del cuello uterino Uterine Cervical Neoplasms Células Cells Detección precoz del cáncer Early Detection of Cancer Programas de detección diagnóstica Diagnostic Screening Programs |
| topic |
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 |
| dc.subject.proposal.spa.fl_str_mv |
Cáncer cervical Extracción datos atípicos Reducción dimensionalidad Máquinas de soporte vectorial |
| description |
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. |
| publishDate |
2023 |
| dc.date.accessioned.none.fl_str_mv |
2023-06-14T21:18:59Z |
| dc.date.available.none.fl_str_mv |
2023-06-14T21:18:59Z |
| dc.date.issued.none.fl_str_mv |
2023 |
| dc.type.spa.fl_str_mv |
Tesis/Trabajo de grado - Monografía - Especialización |
| dc.type.coar.spa.fl_str_mv |
http://purl.org/coar/resource_type/c_46ec |
| dc.type.redcol.spa.fl_str_mv |
http://purl.org/redcol/resource_type/COther |
| dc.type.coarversion.spa.fl_str_mv |
http://purl.org/coar/version/c_b1a7d7d4d402bcce |
| dc.type.driver.spa.fl_str_mv |
info:eu-repo/semantics/other |
| dc.type.version.spa.fl_str_mv |
info:eu-repo/semantics/draft |
| format |
http://purl.org/coar/resource_type/c_46ec |
| status_str |
draft |
| dc.identifier.uri.none.fl_str_mv |
https://hdl.handle.net/10495/35510 |
| url |
https://hdl.handle.net/10495/35510 |
| dc.language.iso.spa.fl_str_mv |
spa |
| language |
spa |
| dc.relation.issupplementedby.spa.fl_str_mv |
https://github.com/Alberto-San/ExperimentosMonografia/tree/main |
| dc.rights.uri.*.fl_str_mv |
http://creativecommons.org/licenses/by-nc-sa/2.5/co/ |
| dc.rights.uri.spa.fl_str_mv |
https://creativecommons.org/licenses/by-nc-sa/4.0/ |
| dc.rights.accessrights.spa.fl_str_mv |
info:eu-repo/semantics/openAccess |
| dc.rights.coar.spa.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
| rights_invalid_str_mv |
http://creativecommons.org/licenses/by-nc-sa/2.5/co/ https://creativecommons.org/licenses/by-nc-sa/4.0/ http://purl.org/coar/access_right/c_abf2 |
| eu_rights_str_mv |
openAccess |
| dc.format.extent.spa.fl_str_mv |
44 |
| dc.format.mimetype.spa.fl_str_mv |
application/pdf |
| dc.publisher.spa.fl_str_mv |
Universidad de Antioquia |
| dc.publisher.place.spa.fl_str_mv |
Medellín, Colombia |
| dc.publisher.faculty.spa.fl_str_mv |
Facultad de Ingeniería. Especialización en Analítica y Ciencia de Datos |
| institution |
Universidad de Antioquia |
| bitstream.url.fl_str_mv |
https://bibliotecadigital.udea.edu.co/bitstreams/20767cbf-fc11-46d5-99aa-9c176e5ebea7/download https://bibliotecadigital.udea.edu.co/bitstreams/f961aec7-3ee0-407c-9a82-b94f4bfef833/download https://bibliotecadigital.udea.edu.co/bitstreams/ba2237d5-93e8-4711-b2e9-c8844e1446d4/download https://bibliotecadigital.udea.edu.co/bitstreams/23c45fce-3581-42fa-aa50-d82616941099/download https://bibliotecadigital.udea.edu.co/bitstreams/8ff949f1-9c20-4e80-84dc-da85b953609c/download |
| bitstream.checksum.fl_str_mv |
8a4605be74aa9ea9d79846c1fba20a33 e2060682c9c70d4d30c83c51448f4eed fb6ab075f9b547e351d27490939d52f7 e8401ee83b3cee5dce2d55763fa8cbf2 b2b700e8d425044b9df1750c224e70f6 |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 |
| repository.name.fl_str_mv |
Repositorio Institucional de la Universidad de Antioquia |
| repository.mail.fl_str_mv |
aplicacionbibliotecadigitalbiblioteca@udea.edu.co |
| _version_ |
1851052149043101696 |
| spelling |
Salazar Sánchez, María BernardaMuñoz Lopera, July AndreaLópez Sánchez, Daniel Alberto2023-06-14T21:18:59Z2023-06-14T21:18:59Z2023https://hdl.handle.net/10495/35510RESUMEN : 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.ABSTRACT : In this monograph a cervical cancer detection model is generated using support vector machines to classify different cell types based on their cytomorphological characteristics. A multi-stage methodology is established for this purpose. First, we start with the preprocessing and preparation of the data, where features are extracted from the images in each RGB color channel. Seven features are used: intensity, smoothness, uniformity, third moment, entropy, standard deviation and median. In addition, the grayscale luminance feature is used. This is used to detect and eliminate outliers using the LOF (Local Outlier Factor) method. Then, different scaling techniques are evaluated: Robust, Standard and Min-Max, and dimensionality reduction: Independent Component Analysis (ICA), Principal Component Analysis (PCA) and Linear Discriminant Analysis (LDA). These techniques seek to simplify the representation of the data and avoid overfitting. In the application of the SVM model, the best dimensionality reduction method previously obtained is used and the model is evaluated through accuracy by adjusting different hyper parameters such as kernel, C regularization, gamma value, coef0 and degree, seeking to obtain the best performance of the model.EspecializaciónEspecialista en Analítica y Ciencia de Datos44application/pdfspaUniversidad de AntioquiaMedellín, ColombiaFacultad de Ingeniería. Especialización en Analítica y Ciencia de Datoshttp://creativecommons.org/licenses/by-nc-sa/2.5/co/https://creativecommons.org/licenses/by-nc-sa/4.0/info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Modelo de detección de cáncer cervical en muestras de tejido celular utilizando Máquinas de Soporte VectorialTesis/Trabajo de grado - Monografía - Especializaciónhttp://purl.org/coar/resource_type/c_46echttp://purl.org/redcol/resource_type/COtherhttp://purl.org/coar/version/c_b1a7d7d4d402bcceinfo:eu-repo/semantics/otherinfo:eu-repo/semantics/draftNeoplasias del cuello uterinoUterine Cervical NeoplasmsCélulasCellsDetección precoz del cáncerEarly Detection of CancerProgramas de detección diagnósticaDiagnostic Screening ProgramsCáncer cervicalExtracción datos atípicosReducción dimensionalidadMáquinas de soporte vectorialhttps://github.com/Alberto-San/ExperimentosMonografia/tree/mainPublicationLICENSElicense.txtlicense.txttext/plain; charset=utf-81748https://bibliotecadigital.udea.edu.co/bitstreams/20767cbf-fc11-46d5-99aa-9c176e5ebea7/download8a4605be74aa9ea9d79846c1fba20a33MD54falseAnonymousREADCC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-81051https://bibliotecadigital.udea.edu.co/bitstreams/f961aec7-3ee0-407c-9a82-b94f4bfef833/downloade2060682c9c70d4d30c83c51448f4eedMD53falseAnonymousREADORIGINALLopezDaniel_2023_ AnalisisCancerCervical.pdfLopezDaniel_2023_ AnalisisCancerCervical.pdfTrabajo de grado de especializaciónapplication/pdf881227https://bibliotecadigital.udea.edu.co/bitstreams/ba2237d5-93e8-4711-b2e9-c8844e1446d4/downloadfb6ab075f9b547e351d27490939d52f7MD51trueAnonymousREADTEXTLopezDaniel_2023_ AnalisisCancerCervical.pdf.txtLopezDaniel_2023_ AnalisisCancerCervical.pdf.txtExtracted texttext/plain74078https://bibliotecadigital.udea.edu.co/bitstreams/23c45fce-3581-42fa-aa50-d82616941099/downloade8401ee83b3cee5dce2d55763fa8cbf2MD57falseAnonymousREADTHUMBNAILLopezDaniel_2023_ AnalisisCancerCervical.pdf.jpgLopezDaniel_2023_ AnalisisCancerCervical.pdf.jpgGenerated Thumbnailimage/jpeg7016https://bibliotecadigital.udea.edu.co/bitstreams/8ff949f1-9c20-4e80-84dc-da85b953609c/downloadb2b700e8d425044b9df1750c224e70f6MD58falseAnonymousREAD10495/35510oai:bibliotecadigital.udea.edu.co:10495/355102025-03-26 17:42:43.676http://creativecommons.org/licenses/by-nc-sa/2.5/co/open.accesshttps://bibliotecadigital.udea.edu.coRepositorio Institucional de la Universidad de Antioquiaaplicacionbibliotecadigitalbiblioteca@udea.edu.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 |
