Search

Skin cancer is a dangerous and potentially lethal disease that is steadily increasing worldwide. Signs of skin cancer may include changes in the appearance of moles or the emergence of new spots on the skin. Early detection is crucial, as many types of skin cancer respond well to treatment when addressed in the early stages. Computer-aided diagnostic tools are employed to aid in the diagnosis of this disease. This article introduces HASCC, a hybrid algorithm implemented through a graphical user interface for skin cancer classification. The algorithm integrates image processing, feature extraction using the VGG16 algorithm with component reduction through PCA, and classification using XGBoost trained on images from the HAM10000 dataset. The hybrid algorithm was executed and tested on a Raspberry Pi 4 embedded system. HASCC was compared at both hardware and software levels with other computational intelligence methods and architectures, revealing notable improvements in terms of accuracy, ranging from 88.2% to 93.2%, with an average execution time of 250 milliseconds at low machine resource demand during the diagnostic process. Additionally, HASCC's performance was compared against previous research focused on skin cancer detection and classification. The hardware performance demonstrates that HASCC can be implemented on single-board microprocessor devices, and its software performance suggests viability for supporting the diagnosis and classification of skin cancer., El cáncer de piel es una enfermedad peligrosa y potencialmente letal que aumenta constantemente en los reportes de casos de cáncer a nivel mundial. Los signos de cáncer de piel pueden incluir cambios en la apariencia de los lunares o la aparición de nuevas manchas en la piel. La detección temprana es fundamental, ya que muchos tipos de cáncer de piel responden bien al tratamiento si se abordan en las etapas iniciales. Para el apoyo en el diagnóstico de esta enfermedad se emplean herramientas de diagnóstico asistido. Este artículo presenta HASCC, un algoritmo híbrido implementado mediante una interfaz gráfica de usuario para la clasificación del cáncer de piel. El algoritmo integra procesamiento de imágenes, extracción de características mediante el algoritmo VGG16 con reducción de componentes mediante PCA y clasificación mediante XGBoost entrenado con imágenes del Conjunto de Datos HAM10000. El algoritmo híbrido se ejecutó y se probó sobre un sistema embebido Raspberry Pi 4. HASCC se comparó a nivel hardware y a nivel software con otros métodos y arquitecturas de inteligencia computacional, y se obtuvo que el sistema propuesto mostró mejores notables en términos de precisión, que osciló entre el 88.2 % y 93.2 %, con un tiempo promedio de ejecución de 250 milisegundos a baja demanda de recursos de máquina durante el proceso de diagnóstico. Adicionalmente, el rendimiento de HASCC se comparó contra investigaciones previas enfocadas a la detección y clasificación de cáncer de piel. El rendimiento a nivel hardware demuestra que HASCC es viable para implementación en dispositivos microprocesadores de placa única, y con su desempeño a nivel de software se infiere que es viable para el apoyo en el diagnóstico y clasificación del cáncer de piel.

Edge detection takes importance in image processing systems for computer-aided diagnosis, wheresharp changes in pixel intensity are analyzed to obtain fast and accurate information about regions ofinterest to the specialist. A method for feature enhancement and edge detection in medical imageswas developed using image processing by analyzing the pixel distribution histogram andmorphological gradient operation. Images from the MINI MIAS dataset and the COVID-CT datasetwere used. The method is based on image processing and is applied to mammography and chest CTimages, where blur filtering steps are accompanied by morphological gradient filtering, in addition toobtaining the threshold for edge detection by analyzing the point of maximum pixel concentrationaccording to the distribution histogram. The processing is presented in a graphical user interfacedeveloped in Python language. The method is validated by comparison with other edge detectiontechniques such as the Canny Algorithm, and with deep learning methods such as Holistically-NestedEdge Detection. The proposed method improves image quality in both mammograms and CT scanscompared to other techniques. It also presents the best performance considering internal and externaledge detection, as well as an average response time of 1.054 seconds and 2.63 % of Central Processing Unit requirement. The developed system is presented as a support tool for use in computer-aideddiagnosis processes due to its high efficiency in edge detection., La detección de bordes toma importancia en los sistemas de procesamiento de imágenes parael diagnóstico asistido por ordenador, donde se analizan los cambios bruscos en la intensidadde los píxeles para obtener información rápida y precisa sobre las regiones de interés para elespecialista. Se desarrolló un método para el realce de caracteristicas y detección de bordesen imágenes médicas utilizando procesamiento de imágenes analizando el histograma dedistribución de píxeles y la operación de gradiente morfológico. Se utilizaron imágenes delconjunto de datos MINI MIAS y del conjunto de datos COVID-CT. El método se basa enprocesamiento de imágenes y se aplica a las imágenes de mamografía y TAC de tórax, dondelos pasos de filtrado de desenfoque se acompañan de filtrado de gradiente morfológico,además de obtener el umbral para detectar el borde mediante el análisis del punto de máximaconcentración de píxeles según el histograma de distribución. El procesamiento se presentaen una interfaz gráfica de usuario desarrollada en lenguaje Python. El método se validamediante la comparación con otras técnicas de detección de bordes como el AlgoritmoCanny, y con métodos de aprendizaje profundo como el Holistically-Nested Edge Detection.El método propuesto mejora la calidad de la imagen tanto en mamografías como en TAC encomparación con otras técnicas. También presenta el mejor rendimiento teniendo en cuentala detección de bordes internos y externos, así como un tiempo medio de respuesta de 1.054segundos y 2.63 % de requerimiento de la Unidad Central de Procesamiento. El sistemadesarrollado se presenta como una herramienta de apoyo para su uso en procesos dediagnóstico asistido por ordenador debido a su alta eficiencia en la detección de bordes.