Browsing by Author "Forero Vargas, Manuel Guillermo"

Now showing 1 - 2 of 2
  • Thumbnail Image
    Item
    Implementación de un modelo de aprendizaje profundo de máquinas para la detección de cáncer de seno
    (Pontificia Universidad Javeriana Cali, 2024) Ávila Gómez, Jair Orlando; Maldonado Benavides, Fabián Alonso; Bermúdez Murillo, Laura Yohana; Forero Vargas, Manuel Guillermo; Castaño Idarraga, Omar Andrés
    El objetivo principal de este trabajo es implementar un modelo de aprendizaje profundo para la detección de cáncer de seno mediante el análisis de imágenes médicas obtenidas a través de mamografías. Se propone el desarrollo y entrenamiento de un sistema capaz de identificar nódulos sospechosos en estas imágenes. Para lograrlo, se utilizarán diversas arquitecturas convolucionales, como VGG16, VGG19, RESNET y RESNET50, así como Visión Transformer (VIT)
  • Thumbnail Image
    Item
    Sistema de detección de cáncer de piel con aprendizaje de máquina para dispositivo de bajo consumo
    (Pontificia Universidad Javeriana Cali, 2024) Niño Rondón, Carlos Vicente; Forero Vargas, Manuel Guillermo; Castro Casadiego, Sergio Alexander
    El cáncer de piel, que representa aproximadamente el 10% de los casos de cáncer a nivel mundial, se enfrenta a desafíos significativos en términos de diagnóstico preciso. Los expertos en la materia han señalado que tres de cada cuatro herramientas de diagnóstico asistido para el cáncer de piel clasifican incorrectamente alrededor del 30% de los casos de melanoma. Estas herramientas, caracterizadas por su alto costo computacional, inciden directamente en los gastos de implementación, afectando así el acceso a los servicios de salud. En el presente trabajo se presentan un sistema de diagnóstico de cáncer de piel diseñado específicamente para dispositivos de bajo consumo. Se inicia con el análisis del conjunto de datos HAM10000, seguido por el desarrollo de un modelo de aprendizaje profundo destinado a la clasificación de esta enfermedad. Posteriormente, se planteó la creación de una herramienta de diagnóstico asistido, adaptada para su uso en dispositivos de bajo consumo. La evaluación de su rendimiento a nivel hardware y software completa el proceso.