Show simple item record

dc.contributor.advisorCalderón Benavides, Maritza Lilianaspa
dc.contributor.authorCelis Esteban, Sergio Augustospa
dc.contributor.authorSarmiento Ortiz, Jhoan Felipespa
dc.coverage.spatialColombiaspa
dc.date.accessioned2021-01-28T19:25:45Z
dc.date.available2021-01-28T19:25:45Z
dc.date.issued2020
dc.identifier.urihttp://hdl.handle.net/20.500.12749/12076
dc.description.abstractSegún los datos del Observatorio Global de Cáncer, el cáncer de mama es la principal causa de muerte por cáncer en las mujeres. (International for Research on Cancer, 2018). Este trabajo basó su investigación en el afán por la búsqueda de una solución a este problema, y se propuso el desarrollo de un prototipo de sistema de información, basado en técnicas de inteligencia artificial, que permitiera optimizar la labor del cuerpo médico para detectar casos de cáncer y mitigar el riesgo de muerte y otros problemas que presentaban los pacientes. El desarrollo de la interfaz gráfica se realizó con Flutter Web y luego de ciertas pruebas, se definió que la opción conveniente para el sistema era la implementación de la arquitectura VGG16. La red neuronal, fue entrenada con un conjunto de imágenes diagnósticas mamográficas disponibles en la web, con el fin de adoptar un modelo, capaz de clasificar mamografías en cinco categorías: normal, microcalcificación benigna, nódulo benigno, microcalcificación y nódulo maligno.spa
dc.description.tableofcontentsRESUMEN ............................................................................................................................. 8 Resumen ............................................................................................................................. 8 Palabras Claves .................................................................................................................. 8| Línea de Investigación ........................................................................................................ 8 INTRODUCCIÓN .................................................................................................................. 9 Introducción ........................................................................................................................ 9 Planteamiento y Justificación del Problema ..................................................................... 10 Pregunta de Investigación ................................................................................................. 16 Objetivo General............................................................................................................... 16 Objetivos Específicos. .................................................................................................. 16 ESTADO DEL ARTE .......................................................................................................... 17 MARCO CONCEPTUAL .................................................................................................... 32 Marco Teórico .................................................................................................................. 32 1. Conceptos claves. ............................................................................................... 32 2. Conceptos técnicos ............................................................................................. 37 3. Métricas de evaluación. ...................................................................................... 44 4. Conceptos clínico-patológicos. .......................................................................... 46 Marco tecnológico. ........................................................................................................... 50 DESARROLLO METODOLÓGICO .................................................................................. 54 Infraestructura tecnológica del sistema. ........................................................................... 54 1. Tecnologías. ....................................................................................................... 54 2. Arquitecturas. ..................................................................................................... 56 3. Hardware ............................................................................................................ 57 Metodología de los datos .................................................................................................. 58 1. Dataset. ............................................................................................................... 59 2. Preprocesamiento de los datos. .......................................................................... 60 3. Adaptación de los datos para el entrenamiento. ................................................. 62 Metodología de prueba ..................................................................................................... 64 Diseño del prototipo ......................................................................................................... 64 1. Modelamiento UML. .......................................................................................... 64 2. Interfaz gráfica. .................................................................................................. 66 3. Bases de datos. ................................................................................................... 67 Implementación del prototipo ........................................................................................... 69 Evaluación del prototipo ................................................................................................... 70 ANÁLISIS DE RESULTADOS ........................................................................................... 71 Selección de la infraestructura tecnológica del sistema. .................................................. 71 1. Lenguaje de programación. ................................................................................ 71 2. Red neuronal. ..................................................................................................... 72 Diseño del prototipo de sistema de información. ............................................................. 78 1. Funcionalidades del sistema. .............................................................................. 78 2. Interfaz gráfica y test de experiencia de usuario. ............................................... 79 Implementación del prototipo. .......................................................................................... 81 CONCLUSIONES ................................................................................................................ 88 TRABAJOS FUTUROS ....................................................................................................... 90 REFERENCIAS ................................................................................................................... 92 ANEXOS .............................................................................................................................. 99spa
dc.format.mimetypeapplication/pdfspa
dc.language.isospaspa
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/2.5/co/*
dc.titlePrototipo de sistema de información para la detección de carcinomas mamarios, basado en técnicas de inteligencia artificialspa
dc.title.translatedInformation system prototype for the detection of breast carcinomas, based on artificial intelligence techniquesspa
dc.degree.nameIngeniero de Sistemasspa
dc.publisher.grantorUniversidad Autónoma de Bucaramanga UNABspa
dc.rights.localAbierto (Texto Completo)spa
dc.publisher.facultyFacultad Ingenieríaspa
dc.publisher.programPregrado Ingeniería de Sistemasspa
dc.description.degreelevelPregradospa
dc.type.driverinfo:eu-repo/semantics/bachelorThesis
dc.type.localTrabajo de Gradospa
dc.type.coarhttp://purl.org/coar/resource_type/c_7a1f
dc.subject.keywordsSystems engineereng
dc.subject.keywordsTechnological innovationseng
dc.subject.keywordsInformation systemeng
dc.subject.keywordsArtificial intelligenceeng
dc.subject.keywordsNeural networkeng
dc.subject.keywordsConvolutioneng
dc.subject.keywordsClassificationeng
dc.subject.keywordsDetectioneng
dc.subject.keywordsMammographyeng
dc.subject.keywordsNoduleeng
dc.subject.keywordsMicrocalcificationeng
dc.subject.keywordsBreast carcinomaeng
dc.subject.keywordsPrototype developmenteng
dc.subject.keywordsNeoplasmseng
dc.subject.keywordsMachine theoryeng
dc.subject.keywordsElectronic data processingeng
dc.identifier.instnameinstname:Universidad Autónoma de Bucaramanga - UNABspa
dc.identifier.reponamereponame:Repositorio Institucional UNABspa
dc.type.hasversioninfo:eu-repo/semantics/acceptedVersion
dc.rights.accessrightsinfo:eu-repo/semantics/openAccessspa
dc.rights.accessrightshttp://purl.org/coar/access_right/c_abf2spa
dc.relation.referencesMayo, R. C., Kent, D., Chang Sen, L., Kapoor, M., Leung, J. W., & Watanabe, A. T. (2019). Reduction of False-Positive Markings on Mammograms: a Retrospective Comparison Study Using an Artificial Intelligence-Based CAD. Journal of Digital Imaging, 32(4), 618-624. doi:https://doi.org/10.1007/s10278-018-0168-6spa
dc.relation.referencesWayne, D. (2020). What Is WinSCP? Obtenido de Chron: https://smallbusiness.chron.com/winscp-77185.htmlspa
dc.relation.referencesAhmad, A. M., Muhammad Khan, G., & Mahmud, S. A. (2014). Classification of Mammograms Using Cartesian Genetic Programming Evolved Artificial Neural Networks. Artificial Intelligence Applications and Innovations. AIAI. IFIP Advances in Information and Communication Technology. 436, págs. 203-213. Berlin: Springer. doi:https://doi.org/10.1007/978-3-662-44654-6_20spa
dc.relation.referencesAmerican Cancer Society. (2019). Cancer.org. Obtenido de La densidad de los senos y el informe de su mamograma: https://www.cancer.org/es/cancer/cancer-de-seno/pruebas-de-deteccion-y-deteccion-temprana-del-cancer-de-seno/mamogramas/la-densidad-de-los-senos-y-el-informe-de-su-mamograma.htmlspa
dc.relation.referencesAraque Volk, N. (20 de Marzo de 2019). Regularizando nuestra red: DropOut. Obtenido de MC.AI: https://mc.ai/regularizando-nuestra-red-dropout/spa
dc.relation.referencesAraujo Santos, L. (2019). Introduction. Obtenido de leonardoaraujosantos.gitbooks.io: https://leonardoaraujosantos.gitbooks.io/artificial-inteligence/content/linear_algebra.htmlspa
dc.relation.referencesBerg, W. A. (2019). Breast Density. (ELSEVIER) Recuperado el 9 de Agosto de 2019, de STATdx: https://app-statdx-com.aure.unab.edu.co/document/breast-density/bf28db04-b697-459d-ae23-5a2d1b09f8fe?searchTerm=Breast%20Density#spa
dc.relation.referencesBi, W. L., Hosny, A., Schabath, M. B., Giger, M. L., Birbak, N. J., Mehrtash, A., . . . Aerts, H. J. (2019). Artificial Intelligence in Cancer Imaging: Clinical Challenges and Applications. CA A Cancer J Clin, 69, 127-157. doi:https://onlinelibrary.wiley.com/doi/full/10.3322/caac.21552spa
dc.relation.referencesBreastcancer.org. (19 de Abril de 2013). Los resultados falsos positivos de las mamografías pueden causar estrés a largo plazo. Recuperado el 15 de Agosto de 2019, de BREASTCANCER.ORG: https://www.breastcancer.org/es/noticias-investigacion/20130419spa
dc.relation.referencesBrownlee, J. (16 de Enero de 2019). A Gentle Introduction to Batch Normalization for Deep Neural Networks. Obtenido de Machine Learning Mastery: https://machinelearningmastery.com/batch-normalization-for-training-of-deep-neural-networks/spa
dc.relation.referencesBrownlee, J. (16 de Septiembre de 2019). A Gentle Introduction to Transfer Learning for Deep Learning. Obtenido de Machine Learning Mastery: https://machinelearningmastery.com/transfer-learning-for-deep-learning/spa
dc.relation.referencesCalvo, D. (12 de Julio de 2017). DIEGO CALVO. Recuperado el 12 de Octubre de 2019, de Definición de red neuronal artificial: http://www.diegocalvo.es/definicion-de-red-neuronal/spa
dc.relation.referencesCamacho Neira, J. S. (17 de Octubre de 2017). Clinica Alemana. Recuperado el 12 de Octubre de 2019, de Nódulos mamarios: ¿Cuándo sospechar de cáncer?: https://portal.alemana.cl/wps/wcm/connect/Internet/Home/blog-de-noticias/2017/10/nodulos-mamarios-cuando-sospechar-de-cancerspa
dc.relation.referencesCodecademy. (2020). What is Scikit-Learn? Obtenido de codecademy: https://www.codecademy.com/articles/scikit-learnspa
dc.relation.referencesCousins, C. (20 de Noviembre de 2019). What Is Figma? a 101 Intro. Obtenido de design shack: https://designshack.net/articles/software/what-is-figma-intro/spa
dc.relation.referencesCruz-Roa, A., Gilmore, H., Basavanhally, A., Feldman, M., Ganesan, S., Shih, N., . . . Madabhushi, A. (18 de Abril de 2017). Accurate and reproducible invasive breast cancer detection in whole-slide images: A Deep Learning approach for quantifying tumor extent. Scientific Reports, 7(46450). Recuperado el 30 de Octubre de 2019, de https://doi.org/10.1038/srep46450spa
dc.relation.referencesdocumentation.help. (2020). What is StarUML. Obtenido de documentation.HELP!: https://documentation.help/StarUML/what_is_staruml.htmspa
dc.relation.referencesEduardo CQ. (10 de Mayo de 2019). Flutter para web. Obtenido de Medium: https://medium.com/comunidad-flutter/flutter-para-la-web-91d8b217ad35spa
dc.relation.referencesEducative. (2020). What is Firebase? Obtenido de edpresso: https://www.educative.io/edpresso/what-is-firebasespa
dc.relation.referencesEspejel, O. (2019). OMAR U. ESPEJEL. Obtenido de github.io: https://omarespejel.github.io/espejel_blog/Manipulaci%C3%B3n-de-tensores/spa
dc.relation.referencesExperiencIA Oracle. (14 de Septiembre de 2018). Diferencias entre la Inteligencia Artificial y el Machine Learning. Obtenido de Medium: https://medium.com/@experiencIA18/diferencias-entre-la-inteligencia-artificial-y-el-machine-learning-f0448c503cd4spa
dc.relation.referencesflutter-dev. (2020). Flutter. Obtenido de flutter.dev: https://flutter.dev/spa
dc.relation.referencesFondo Colombiano de Enfermedades de Alto Costo Cuenta de Alto Costo[CAC]. (2018). Situación del cáncer en la población adulta atendida en el SGSSS de Colombia. Bogotá, D.C, Colombia: Cuenta de Alto Costo.spa
dc.relation.referencesGlobal Cancer Observatory. (2018). Colombia. World Health Organization, Switzerland. Geneva: Internacional Agency for Research on Cancer. Obtenido de https://gco.iarc.fr/today/data/factsheets/populations/170-colombia-fact-sheets.pdfspa
dc.relation.referencesGonzáles, L. (07 de Septiembre de 2018). Lenguajes de programación para Machine Learning. Obtenido de Ligdi Gonzáles: https://ligdigonzalez.com/lenguajes-de-programacion-para-machine-learning/spa
dc.relation.referencesGonzaléz, A. (1 de Julio de 2014). CleverData. Recuperado el 12 de Octubre de 2019, de ¿Qué es Machine Learning?: https://cleverdata.io/que-es-machine-learning-big-data/spa
dc.relation.referencesGonzaléz, L. (15 de Junio de 2018). LIGDI GONZALÉZ APRENDE SOBRE INTELIGENCIA ARTIFICIAL. Recuperado el 12 de Octubre de 2019, de Diferencia entre aprendizaje supervisado y no supervisado: http://ligdigonzalez.com/diferencia-entre-aprendizaje-supervisado-y-no-supervisadospa
dc.relation.referencesGoogle developers. (2020). Clasificación: Precisión y exhaustividad. Obtenido de Aprendizaje automático: https://developers.google.com/machine-learning/crash-course/classification/precision-and-recallspa
dc.relation.referencesGoogle developers. (2020). Clasificación: ROC y AUC. Obtenido de Aprendizaje automático: https://developers.google.com/machine-learning/crash-course/classification/roc-and-aucspa
dc.relation.referencesGoogle developers. (2020). Estudio detallado del AA: Entrenamiento y pérdida. Obtenido de Aprendizaje automático: https://developers.google.com/machine-learning/crash-course/descending-into-ml/training-and-lossspa
dc.relation.referencesHalicek, M., Shahedi, M., & Little, J. V. (2019). Head and Neck Cancer Detection in Digitized Whole-Slide Histology Using Convolutional Neural Networks. Nature, 9(14043). doi:https://doi.org/10.1038/s41598-019-50313-xspa
dc.relation.referencesHewlett Packard Enterprise Development LP. (2019). Hewlett Packard Enterprise. Obtenido de ¿Qué es la inteligencia artificial?: https://www.hpe.com/lamerica/es/what-is/artificial-intelligence.htmlspa
dc.relation.referencesHotjar. (14 de Febrero de 2020). The complete guide to website heat maps. Obtenido de hotjar: https://www.hotjar.com/heatmaps/spa
dc.relation.referencesInternational for Research on Cancer. (2018). Latest global cancer data: Cancer burden rises to 18.1 million new cases and 9.6 million cancer deaths in 2018. World Health Organization, Switzerland. Geneva: IARC. Obtenido de https://www.iarc.fr/wp-content/uploads/2018/09/pr263_E.pdfspa
dc.relation.referencesitdxer. (05 de Abril de 2019). ¿Cuál es el tamaño del lote en la red neuronal? Obtenido de StackExchange: https://stats.stackexchange.com/posts/153535/revisionsspa
dc.relation.referencesJain, A. (03 de Enero de 2019). Getting started with Maze tool for Usability Testing. Obtenido de Medium: https://medium.com/uxness/getting-started-with-maze-tool-for-usability-testing-bfa5171cc076spa
dc.relation.referencesJalandhar, D., & Sharma, A. (2016). DDSM Utility v3.1. Obtenido de https://github.com/trane293/DDSMUtility/blob/master/Tutorial.pdfspa
dc.relation.referencesJean-Baptiste Lamy, Boomadevi Sekar, Gilles Guezennec, Jacques Bouaud, & Brigitte Séroussi. (2019). Explainable artificial intelligence for breast cancer: A visual case-based reasoning approach. Artificial Intelligence in Medicine, 94, 42-53. doi:https://doi.org/10.1016/j.artmed.2019.01.001spa
dc.relation.referencesKeras. (2020). Layer activation functions. Obtenido de Keras: https://keras.io/api/layers/activations/spa
dc.relation.referencesKontos , K., & Maragoudakis, M. (2013). Breast Cancer Detection in Mammogram Medical Images with Data Mining Techniques. 9th Artificial Intelligence Applications and Innovations (AIAI). 412, págs. 336-347. Paphos: Springer. doi:https://dx.doi.org/10.1007/978-3-642-41142-7_35spa
dc.relation.referencesKushai Das. (2020). Introduction to Flask. Obtenido de pymbook: https://pymbook.readthedocs.io/en/latest/flask.htmlspa
dc.relation.referencesLinux Adictos. (2019). Llega la nueva versión de Cygwin 3.0, un entorno GNU para Windows. Obtenido de Linux Adictos: https://www.linuxadictos.com/llega-la-nueva-version-de-cygwin-3-0-un-entorno-gnu-para-windows.htmlspa
dc.relation.referencesLopez Briega, R. E. (02 de Agosto de 2016). Raul E. Lopez Briega Matemáticas, análisis de datos y python. Recuperado el 12 de Octubre de 2019, de Redes neuronales convolucionales con TensorFlow: https://relopezbriega.github.io/blog/2016/08/02/redes-neuronales-convolucionales-con-tensorflow/spa
dc.relation.referencesLucid Software. (2020). Qué es el el lenguaje unificado de modelado (UML). Obtenido de Lucidchart: https://www.lucidchart.com/pages/es/que-es-el-lenguaje-unificado-de-modelado-uml#section_0spa
dc.relation.referencesMELÉNDEZ ZAJGLA, J., & BAHENA OCAMPO, I. (08 de Julio de 2017). México Patente nº WO2017095213. Recuperado el 06 de Septiembre de 2019, de https://patentscope.wipo.int/search/es/detail.jsf?docId=WO2017095213&tab=PCTBIBLIOspa
dc.relation.referencesNahata, H., & Singh, S. P. (2020). Deep Learning Solutions for Skin Cancer Detection and Diagnosis. En V. Jain, & J. M. Chatterjee, Machine Learning with Health Care Perspective: Machine Learning and Healthcare (págs. 161 – 179). Springerspa
dc.relation.referencesNIH ... Transformación de Descubrimientos en Salud. (2019). INSTITUTO NACIONAL DEL CÁNCER. Recuperado el 10 de Septiembre de 2019, de Diccionario de cáncer: https://www.cancer.gov/espanol/publicaciones/diccionario/def/cancer-de-mamaspa
dc.relation.referencesNIH ... Transformación de Descubrimientos en Salud. (2019). INSTITUTO NACIONAL DEL CÁNCER. Recuperado el 10 de Septiembre de 2019, de Diccionario de cáncer: https://www.cancer.gov/espanol/publicaciones/diccionario/def/resultado-positivo-falso-de-una-pruebaspa
dc.relation.referencesNIH ... Transformación de Descubrimientos en Salud. (2019). INSTITUTO NACIONAL DEL CÁNCER. Recuperado el 10 de Septiembre de 2019, de Diccionario de cáncer: https://www.cancer.gov/espanol/publicaciones/diccionario/def/resultado-negativo-falso-de-una-pruebaspa
dc.relation.referencesNIH ... Transformación de Descubrimientos en Salud. (2019). INSTITUTO NACIONAL DEL CÁNCER. Recuperado el 10 de Septiembre de 2019, de Diccionario de cáncer: https://www.cancer.gov/espanol/publicaciones/diccionario/def/densidad-de-la-mamaspa
dc.relation.referencesNolan, T. (14 de Mayo de 2020). CBIS-DDSM. Obtenido de Cancer Imaging Archive: https://wiki.cancerimagingarchive.net/display/Public/CBIS-DDSMspa
dc.relation.referencesNumPy. (2020). NumPy. Obtenido de numpy.org: https://numpy.org/spa
dc.relation.referencesOpenCV. (2020). Introduction to OpenCV-Python Tutorials. Obtenido de OpenCV: https://docs.opencv.org/master/d0/de3/tutorial_py_intro.htmlspa
dc.relation.referencesOrtego Delgado, D. (15 de Diciembre de 2017). ¿Qué es Tensorflow? Obtenido de OpenWebinars: https://openwebinars.net/blog/que-es-tensorflowspa
dc.relation.referencesPilar Manchón. (23 de Julio de 2015). Pilarmanchon. Recuperado el 07 de Septiembre de 2019, de ¿Qué significa BI-RADS?: https://pilarmanchon.es/2015/07/23/que-significa-bi-rads/spa
dc.relation.referencesPita Fernández, S., & Pértegas Díaz, S. (07 de Diciembre de 2010). Fisterra. Recuperado el 03 de Septiembre de 2019, de Pruebas diagnósticas: Sensibilidad y especificidad.: https://www.fisterra.com/mbe/investiga/pruebas_diagnosticas/pruebas_diagnosticas.aspspa
dc.relation.referencesPLOS. (13 de Marzo de 2019). Convolutional neural network for cell classification using microscope images of intracellular actin networks. Obtenido de PLOS ONE: https://journals.plos.org/plosone/article/figure?id=10.1371/journal.pone.0213626.g002spa
dc.relation.referencesPrabhu. (04 de Marzo de 2018). Obtenido de https://medium.com/@RaghavPrabhu/understanding-of-convolutional-neural-network-cnn-deep-learning-99760835f148spa
dc.relation.referencesPython Software Fundation. (22 de Febrero de 2020). pydicom 1.4.2. Obtenido de pypi.org: https://pypi.org/project/pydicomspa
dc.relation.referencesRadiological Society of North America. (12 de Abril de 2019). Mamografía. Recuperado el 14 de Agosto de 2019, de RadiologyInfo.org Para pacientes: https://www.radiologyinfo.org/sp/info.cfm?pg=mammospa
dc.relation.referencesRampurawala, M. (08 de Febrero de 2019). Classification with TensorFlow and Dense Neural Networks. Obtenido de Medium: https://heartbeat.fritz.ai/classification-with-tensorflow-and-dense-neural-networks-8299327a818aspa
dc.relation.referencesRBA. (29 de Noviembre de 2018). SaberVivirTve. Recuperado el 12 de Octubre de 2019, de ¿Son peligrosas las calcificaciones mamarias?: https://www.sabervivirtv.com/ginecologia/calcificaciones-mamarias_101spa
dc.relation.referencesRenuka Joshi. (09 de Septiembre de 2016). EXSILIO SOLUTIONS. Obtenido de Accuracy, Precision, Recall & F1 Score: Interpretation of Performance Measures: https://blog.exsilio.com/all/accuracy-precision-recall-f1-score-interpretation-of-performance-measures/spa
dc.relation.referencesRose, C. (2006). DDSM: Digital Database for Screening Mammography. Obtenido de University of South Florida: http://www.eng.usf.edu/cvprg/Mammography/Database.htmlspa
dc.relation.referencesSalleh, S., Mahmud, R., Rahman, H., & Yasiran, S. (2017). SPEED UP ROBUST FEATURES (SURF) WITH PRINCIPAL COMPONENT ANALYSIS-SUPPORT VECTOR MACHINE (PCA-SVM) FOR BENIGN AND MALIGNANT CLASSIFICATIONS. Journal of Fundamental and Applied Sciences, 9, 624-643. doi:http://dx.doi.org/10.4314/jfas.v9i5s.44spa
dc.relation.referencesSAS Institute. (2019). sas. Recuperado el 12 de Octubre de 2019, de Deep Learning Qué es y por qué es importante: https://www.sas.com/es_co/insights/analytics/deep-learning.htmlspa
dc.relation.referencesscikit-learn developers. (2020). sklearn.metrics.f1_score. Obtenido de scikit learn: https://scikit-learn.org/stable/modules/generated/sklearn.metrics.f1_score.htmlspa
dc.relation.referencesShah, T. (06 de Diciembre de 2017). About Train, Validation and Test Sets in Machine Learning. Obtenido de towards data science: https://towardsdatascience.com/train-validation-and-test-sets-72cb40cba9e7spa
dc.relation.referencesShen, L., Margolies, L., & Rothstein, J. (2019). Deep Learning to Improve Breast Cancer Detection on Screening Mammography. Nature, 9(12495). doi:https://doi.org/10.1038/s41598-019-48995-4spa
dc.relation.referencesSIERRA JIMÉNEZ, A. (19 de Marzo de 2015). España Patente nº WO2015036643. Recuperado el 06 de Septiembre de 2019, de https://patentscope.wipo.int/search/es/detail.jsf?docId=WO2015036643&_cid=P11-K0BI4B-74345-2spa
dc.relation.referencesTensorFlow. (2020). Get started with TensorBoard. Obtenido de TensorFlow: https://www.tensorflow.org/tensorboard/get_startedspa
dc.relation.referencesVentura-Alfaro, C. E. (2018). Errores de medición en la interpretación. Revista de Salud Pública, 20(4), 518-522. doi:https://doi.org/10.15446/rsap.v20n4.52035spa
dc.relation.referencesVergara, D. A., Vergara, S. L., & Vergara Dagobeth, E. E. (31 de Julio de 2013). DENSIDAD MAMARIA: PASADO, PRESENTE Y FUTURO. REVISALUD Unisucre, 1(1), 58-69. doi:https://doi.org/10.24188/23394072.v1.n1.2013.78spa
dc.relation.referencesWang, J., Yang, X., Cai, H., Tan, W., Jin, C., & Li, L. (07 de Junio de 2016). Discrimination of Breast Cancer with Microcalcifications on Mammography by Deep Learning. Scientific Reports, 6(27327). doi:10.1038/srep27327spa
dc.relation.referencesWikimedia Foundation. (18 de Septiembre de 2019). Wikipedia La enciclopedia libre. Recuperado el 12 de Octubre de 2019, de Mapa de Calor: https://en.wikipedia.org/wiki/Heat_mapspa
dc.relation.referencesZaforas, M. (31 de Mayo de 2017). {paradigma. Recuperado el 12 de Octubre de 2019, de TensorFlow, o cómo será el futuro de la Inteligencia Artificial según Google: https://www.paradigmadigital.com/dev/tensorflow-sera-futuro-la-inteligencia-artificial-segun-google/spa
dc.contributor.cvlachttps://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0000068900*
dc.contributor.googlescholarhttps://scholar.google.es/citations?hl=es&user=XihGBWoAAAAJ*
dc.contributor.scopushttps://www.scopus.com/authid/detail.uri?authorId=15043558200*
dc.contributor.researchgatehttps://www.researchgate.net/profile/Liliana_Calderon-Benavides*
dc.subject.lembIngeniería de sistemasspa
dc.subject.lembInnovaciones tecnológicasspa
dc.subject.lembDesarrollo de prototiposspa
dc.subject.lembNeoplasmasspa
dc.subject.lembTeoría de las máquinasspa
dc.subject.lembProcesamiento electrónico de datosspa
dc.identifier.repourlrepourl:https://repository.unab.edu.cospa
dc.description.abstractenglishAccording to data from the Global Cancer Observatory, breast cancer is the leading cause of cancer death in women. (International for Research on Cancer, 2018). This work based its research on the desire to find a solution to this problem, and the development of an information system prototype, based on artificial intelligence techniques, was proposed to optimize the work of the medical team to detect cases of cancer and mitigate the risk of death and other problems that patients presented. The development of the graphical interface was carried out with Flutter Web and after certain tests, it was defined that the suitable option for the system was the implementation of the VGG16 architecture. The neural network was trained with a set of mammographic diagnostic images available on the web, in order to adopt a model capable of classifying mammograms into five categories: normal, benign microcalcification, benign nodule, microcalcification and malignant nodule.eng
dc.subject.proposalSistema de informaciónspa
dc.subject.proposalInteligencia artificialspa
dc.subject.proposalRed neuronalspa
dc.subject.proposalConvoluciónspa
dc.subject.proposalClasificaciónspa
dc.subject.proposalDetecciónspa
dc.subject.proposalMamografíaspa
dc.subject.proposalNódulospa
dc.subject.proposalMicrocalcificaciónspa
dc.subject.proposalCarcinoma mamariospa
dc.type.redcolhttp://purl.org/redcol/resource_type/TP
dc.rights.creativecommonsAtribución-NoComercial-SinDerivadas 2.5 Colombia*


Files in this item

Thumbnail
Thumbnail

This item appears in the following Collection(s)

Show simple item record

Atribución-NoComercial-SinDerivadas 2.5 Colombia
Except where otherwise noted, this item's license is described as Atribución-NoComercial-SinDerivadas 2.5 Colombia