Variantes de vectores de Fisher para la clasificación de imágenes de lesiones de piel mediante redes neuronales profundas residuales

Autores
Salto, Cristian Luciano
Año de publicación
2025
Idioma
español castellano
Tipo de recurso
tesis de maestría
Estado
versión publicada
Colaborador/a o director/a de tesis
Acevedo, Daniel Germán
Descripción
El melanoma es un cáncer que surge de los melanocitos, celulas que se encuentran predominantemente en la piel. En los últimos 20 años el número de casos de cáncer de melanomas se ha duplicado en el mundo, siendo muy importante la detección temprana para su tratamiento. El presente trabajo investiga alternativas al problema de detección de melanomas mediante la clasificación de imágenes dermatoscópicas utilizando redes neuronales residuales (ResNet) y codificando los descriptores de la misma con Vectores de Fisher. Inicialmente, se desarrollaron modelos basados en clasificadores SVM, los cuales emplearon Vectores de Fisher generados a partir de descriptores de imágenes como GLCM, LBP y HOG. Luego se realizó el reentrenamiento de un clasificador ResNet-50. A continuación se aplicaron Vectores de Fisher a los descriptores de distintas muestras de una imagen. Otra alternativa investigada fue generar Vectores de Fisher sobre la base de los descriptores obtenidos como salida del quinto bloque convolucional de la red ResNet-50. Finalmente, se realizó un ensamble de las aplicaciones de Vectores de Fisher generados a partir de los descriptores de la red convolucional. Los resultados alcanzados se encuentran en el orden de magnitud de trabajos realizados anteriormente, siendo en ensamble de Vectores de Fisher el que mejor resultados alcanzó según las métricas de evaluación.
Melanoma is a cancer that arises from melanocytes, cells predominantly found in the skin. In the last 20 years the number of cases of melanoma cancer has doubled in the world, being early detection for its treatment very important. The present work investigates alternatives to the problem of melanoma detection through classification of dermoscopic images using residual neural networks (ResNet) and encoding its descriptors with Fisher Vectors. Initially, models based on SVM classifiers were developed, employing Fisher Vectors generated from image descriptors such as GLCM, LBP, and HOG. Subsequently, a ResNet-50 classifier was retrained. Fisher Vectors were then applied to the descriptors extracted from different regions of an image. Another approach investigated involved generating Fisher Vectors based on the descriptors obtained from the output of the fifth convolutional block of the ResNet-50. Finally, an ensemble of Fisher Vector applications generated from the descriptors of the convolutional network was implemented. The results obtained are comparable to those reported in previous studies, with the Fisher Vector ensemble achieving the best performance according to the evaluation metrics.
Fil: Salto, Cristian Luciano. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales; Argentina.
Nivel de accesibilidad
acceso abierto
Condiciones de uso
https://creativecommons.org/licenses/by-nc-sa/2.5/ar
Repositorio
Biblioteca Digital (UBA-FCEN)
Institución
Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturales
OAI Identificador
tesis:tesis_n7828_Salto
Acceder
id BDUBAFCEN_71e86b485e0748d70928b7be38258212
oai_identifier_str tesis:tesis_n7828_Salto
network_acronym_str BDUBAFCEN
repository_id_str 1896
network_name_str Biblioteca Digital (UBA-FCEN)
spelling Variantes de vectores de Fisher para la clasificación de imágenes de lesiones de piel mediante redes neuronales profundas residualesFisher vector variants for skin lesion image classification using residual deep neural networksSalto, Cristian LucianoEl melanoma es un cáncer que surge de los melanocitos, celulas que se encuentran predominantemente en la piel. En los últimos 20 años el número de casos de cáncer de melanomas se ha duplicado en el mundo, siendo muy importante la detección temprana para su tratamiento. El presente trabajo investiga alternativas al problema de detección de melanomas mediante la clasificación de imágenes dermatoscópicas utilizando redes neuronales residuales (ResNet) y codificando los descriptores de la misma con Vectores de Fisher. Inicialmente, se desarrollaron modelos basados en clasificadores SVM, los cuales emplearon Vectores de Fisher generados a partir de descriptores de imágenes como GLCM, LBP y HOG. Luego se realizó el reentrenamiento de un clasificador ResNet-50. A continuación se aplicaron Vectores de Fisher a los descriptores de distintas muestras de una imagen. Otra alternativa investigada fue generar Vectores de Fisher sobre la base de los descriptores obtenidos como salida del quinto bloque convolucional de la red ResNet-50. Finalmente, se realizó un ensamble de las aplicaciones de Vectores de Fisher generados a partir de los descriptores de la red convolucional. Los resultados alcanzados se encuentran en el orden de magnitud de trabajos realizados anteriormente, siendo en ensamble de Vectores de Fisher el que mejor resultados alcanzó según las métricas de evaluación.Melanoma is a cancer that arises from melanocytes, cells predominantly found in the skin. In the last 20 years the number of cases of melanoma cancer has doubled in the world, being early detection for its treatment very important. The present work investigates alternatives to the problem of melanoma detection through classification of dermoscopic images using residual neural networks (ResNet) and encoding its descriptors with Fisher Vectors. Initially, models based on SVM classifiers were developed, employing Fisher Vectors generated from image descriptors such as GLCM, LBP, and HOG. Subsequently, a ResNet-50 classifier was retrained. Fisher Vectors were then applied to the descriptors extracted from different regions of an image. Another approach investigated involved generating Fisher Vectors based on the descriptors obtained from the output of the fifth convolutional block of the ResNet-50. Finally, an ensemble of Fisher Vector applications generated from the descriptors of the convolutional network was implemented. The results obtained are comparable to those reported in previous studies, with the Fisher Vector ensemble achieving the best performance according to the evaluation metrics.Fil: Salto, Cristian Luciano. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales; Argentina.Universidad de Buenos Aires. Facultad de Ciencias Exactas y NaturalesAcevedo, Daniel Germán2025-08-29info:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/publishedVersionhttp://purl.org/coar/resource_type/c_bdccinfo:ar-repo/semantics/tesisDeMaestriaapplication/pdfhttps://hdl.handle.net/20.500.12110/tesis_n7828_Saltospainfo:eu-repo/semantics/openAccesshttps://creativecommons.org/licenses/by-nc-sa/2.5/arreponame:Biblioteca Digital (UBA-FCEN)instname:Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturalesinstacron:UBA-FCEN2026-10-01T10:16:53Ztesis:tesis_n7828_SaltoInstitucionalhttps://digital.bl.fcen.uba.ar/Universidad públicaNo correspondehttps://digital.bl.fcen.uba.ar/cgi-bin/oaiserver.cgiana@bl.fcen.uba.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:18962026-10-01 10:16:55.972Biblioteca Digital (UBA-FCEN) - Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturalesfalse
dc.title.none.fl_str_mv Variantes de vectores de Fisher para la clasificación de imágenes de lesiones de piel mediante redes neuronales profundas residuales
Fisher vector variants for skin lesion image classification using residual deep neural networks
title Variantes de vectores de Fisher para la clasificación de imágenes de lesiones de piel mediante redes neuronales profundas residuales
spellingShingle Variantes de vectores de Fisher para la clasificación de imágenes de lesiones de piel mediante redes neuronales profundas residuales
Salto, Cristian Luciano
title_short Variantes de vectores de Fisher para la clasificación de imágenes de lesiones de piel mediante redes neuronales profundas residuales
title_full Variantes de vectores de Fisher para la clasificación de imágenes de lesiones de piel mediante redes neuronales profundas residuales
title_fullStr Variantes de vectores de Fisher para la clasificación de imágenes de lesiones de piel mediante redes neuronales profundas residuales
title_full_unstemmed Variantes de vectores de Fisher para la clasificación de imágenes de lesiones de piel mediante redes neuronales profundas residuales
title_sort Variantes de vectores de Fisher para la clasificación de imágenes de lesiones de piel mediante redes neuronales profundas residuales
dc.creator.none.fl_str_mv Salto, Cristian Luciano
author Salto, Cristian Luciano
author_facet Salto, Cristian Luciano
author_role author
dc.contributor.none.fl_str_mv Acevedo, Daniel Germán
dc.description.none.fl_txt_mv El melanoma es un cáncer que surge de los melanocitos, celulas que se encuentran predominantemente en la piel. En los últimos 20 años el número de casos de cáncer de melanomas se ha duplicado en el mundo, siendo muy importante la detección temprana para su tratamiento. El presente trabajo investiga alternativas al problema de detección de melanomas mediante la clasificación de imágenes dermatoscópicas utilizando redes neuronales residuales (ResNet) y codificando los descriptores de la misma con Vectores de Fisher. Inicialmente, se desarrollaron modelos basados en clasificadores SVM, los cuales emplearon Vectores de Fisher generados a partir de descriptores de imágenes como GLCM, LBP y HOG. Luego se realizó el reentrenamiento de un clasificador ResNet-50. A continuación se aplicaron Vectores de Fisher a los descriptores de distintas muestras de una imagen. Otra alternativa investigada fue generar Vectores de Fisher sobre la base de los descriptores obtenidos como salida del quinto bloque convolucional de la red ResNet-50. Finalmente, se realizó un ensamble de las aplicaciones de Vectores de Fisher generados a partir de los descriptores de la red convolucional. Los resultados alcanzados se encuentran en el orden de magnitud de trabajos realizados anteriormente, siendo en ensamble de Vectores de Fisher el que mejor resultados alcanzó según las métricas de evaluación.
Melanoma is a cancer that arises from melanocytes, cells predominantly found in the skin. In the last 20 years the number of cases of melanoma cancer has doubled in the world, being early detection for its treatment very important. The present work investigates alternatives to the problem of melanoma detection through classification of dermoscopic images using residual neural networks (ResNet) and encoding its descriptors with Fisher Vectors. Initially, models based on SVM classifiers were developed, employing Fisher Vectors generated from image descriptors such as GLCM, LBP, and HOG. Subsequently, a ResNet-50 classifier was retrained. Fisher Vectors were then applied to the descriptors extracted from different regions of an image. Another approach investigated involved generating Fisher Vectors based on the descriptors obtained from the output of the fifth convolutional block of the ResNet-50. Finally, an ensemble of Fisher Vector applications generated from the descriptors of the convolutional network was implemented. The results obtained are comparable to those reported in previous studies, with the Fisher Vector ensemble achieving the best performance according to the evaluation metrics.
Fil: Salto, Cristian Luciano. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales; Argentina.
description El melanoma es un cáncer que surge de los melanocitos, celulas que se encuentran predominantemente en la piel. En los últimos 20 años el número de casos de cáncer de melanomas se ha duplicado en el mundo, siendo muy importante la detección temprana para su tratamiento. El presente trabajo investiga alternativas al problema de detección de melanomas mediante la clasificación de imágenes dermatoscópicas utilizando redes neuronales residuales (ResNet) y codificando los descriptores de la misma con Vectores de Fisher. Inicialmente, se desarrollaron modelos basados en clasificadores SVM, los cuales emplearon Vectores de Fisher generados a partir de descriptores de imágenes como GLCM, LBP y HOG. Luego se realizó el reentrenamiento de un clasificador ResNet-50. A continuación se aplicaron Vectores de Fisher a los descriptores de distintas muestras de una imagen. Otra alternativa investigada fue generar Vectores de Fisher sobre la base de los descriptores obtenidos como salida del quinto bloque convolucional de la red ResNet-50. Finalmente, se realizó un ensamble de las aplicaciones de Vectores de Fisher generados a partir de los descriptores de la red convolucional. Los resultados alcanzados se encuentran en el orden de magnitud de trabajos realizados anteriormente, siendo en ensamble de Vectores de Fisher el que mejor resultados alcanzó según las métricas de evaluación.
publishDate 2025
dc.date.none.fl_str_mv 2025-08-29
dc.type.none.fl_str_mv info:eu-repo/semantics/masterThesis
info:eu-repo/semantics/publishedVersion
http://purl.org/coar/resource_type/c_bdcc
info:ar-repo/semantics/tesisDeMaestria
format masterThesis
status_str publishedVersion
dc.identifier.none.fl_str_mv https://hdl.handle.net/20.500.12110/tesis_n7828_Salto
url https://hdl.handle.net/20.500.12110/tesis_n7828_Salto
dc.language.none.fl_str_mv spa
language spa
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
https://creativecommons.org/licenses/by-nc-sa/2.5/ar
eu_rights_str_mv openAccess
rights_invalid_str_mv https://creativecommons.org/licenses/by-nc-sa/2.5/ar
dc.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales
publisher.none.fl_str_mv Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales
dc.source.none.fl_str_mv reponame:Biblioteca Digital (UBA-FCEN)
instname:Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturales
instacron:UBA-FCEN
reponame_str Biblioteca Digital (UBA-FCEN)
collection Biblioteca Digital (UBA-FCEN)
instname_str Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturales
instacron_str UBA-FCEN
institution UBA-FCEN
repository.name.fl_str_mv Biblioteca Digital (UBA-FCEN) - Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturales
repository.mail.fl_str_mv ana@bl.fcen.uba.ar
_version_ 1877857507982966784
score 13.365483

Publicaciones similares