Tesis
Detección de cáncer de mama mediante redes neuronales
Fecha
2017-06-16Registro en:
Tesis (Ingeniero en Comunicaciones y Electrónica). Ciudad de México, IPN, ESIME, Unidad Zacatenco. 2016. 154 p.
Autor
Chávez Guadarrama, Diana Paola
González Flores, Kevin Yered
Institución
Resumen
Durante épocas memoriales, el ser humano ha buscado la forma de automatizar y optimizar procesos que faciliten su vida diaria a través de los avances tecnológicos.
En la actualidad, se han implementan modelos computacionales artificiales, los cuales simulan el comportamiento del cerebro humano en cuanto a el aprendizaje se refiere, dicho modelo ha optimizado distintas ciencias.
El cáncer de mama es una enfermedad que se localiza en las células de la mama, se puede encontrar en diversos tejidos; su detección en etapas avanzadas es mortal para el paciente, en algunas ocasiones el especialista no cuenta con lo necesario para hacer un diagnóstico certero acerca de la enfermedad, por lo cual surge la necesidad de utilizar distintos tipos de ciencias, como son las ciencias computaciones para la realización de un algoritmo que cumpla con las necesidades del especialista, como son las redes neuronales artificiales.
En el desarrollo de esta tesis, se diseñó una interfaz de usuario, la cual implemento una red neuronal artificial, utilizando el algoritmo de aprendizaje backpropagation para la detección de cáncer de mama.
Para el diseño de la red neuronal, se utilizaron 9 neuronas en la capa de entrada, las cuales representan las características de cada tipo de tejido que va a ser capaz de clasificar, así como 80 neuronas en una capa oculta, las cuales se encargaran de la propagación de pesos, bias, señales de activación y errores de la red. Mientras que, la capa de salida está constituida por 4 neuronas, las cuales se encargan de la clasificación de los tejidos, tumores benignos y malignos a través de valores binarios.
Por otra parte, el algoritmo backpropagation, consta de la modificación iterativa de pesos y bias que van desde la capa de entrada a la oculta, y se está a la de salida, para la reducción del error total de la red, aplicando la regla del descenso del gradiente, además de la regla de aprendizaje, la cual utiliza una función tangencial sigmoidal.
Tanto el algoritmo como el diseño de la red neuronal artificial y la implementación de una interfaz de usuario, fueron desarrollados en el entorno de desarrollo integrado MATLAB.