Rev. Cient. Sist. Inform. 4(1), e590, doi: 10.51252/rcsi.v4i1.590
Artículo de revisión
Review article
Ene-Jun, 2024
https://revistas.unsm.edu.pe/index.php/rcsi
e-ISSN: 2709-992X
Este es un artículo de acceso abierto distribuido bajo los términos de la licencia de atribución de Creative Commons, que permite el uso sin restricciones, distribución y
reproducción en cualquier medio, siempre que se cite debidamente la obra original.
Librerías informáticas utilizadas en análisis de imágenes
dermatológicas con visión computacional: una revisión de
literatura
Computer libraries used in analysis of dermatological images with computational
vision: a literature review
Huanatico-Lipa, Jose Carlos1*
Coral-Ygnacio, Marco Antonio1
1Universidad Católica Sedes Sapientiae, Lima, Perú
Recibido: 08 Jul. 2023 | Aceptado: 12 Oct. 2023 | Publicado: 10 Ene. 2024
Autor de correspondencia*: 2017100417@ucss.pe
Como citar este artículo: Huanatico-Lipa, J. C. & Coral-Ygnacio, M. A. (2024). Librerías informáticas utilizadas en análisis de imágenes
dermatológicas con visión computacional. Una revisión de literatura. Revista Científica de Sistemas e Informática, 4(1), e590.
https://doi.org/10.51252/rcsi.v4i1.590
RESUMEN
El análisis de imágenes cutáneas desempeña un papel fundamental en el ámbito de la dermatología, ya que
posibilita la detección temprana y precisa de diversas afecciones de la piel. No obstante, este proceso se enfrenta
a desafíos significativos debido a la variabilidad de características presentes en las lesiones cutáneas, tales como
texturas, tonalidades y la existencia de vellosidades en el contorno. En este artículo, se presenta una revisión
sistemática de literatura sobre librerías informáticas utilizadas en el análisis de imágenes dermatológicas con
visión computacional. Esta investigación se basa en la declaración PRISMA y las bases de datos científicas:
SCOPUS e IEEE Xplore para la búsqueda y tiene como objetivo identificar una amplia variedad de librerías
informáticas y lesiones cutáneas. Los resultados mostraron 7 librerías y 21 lesiones dermatológicas, que
contribuyen a un análisis más preciso y a un diagnóstico clínico más fiable para la detección oportuna de
trastornos cutáneos. En conclusión, la presente investigación resalta librerías informáticas que tiene un impacto
significativo en la mejora del diagnóstico clínico, lo cual es clave para el desarrollo de soluciones efectivas para
la salud de las personas.
Palabras clave: clasificación dermatológica; diagnóstico clínico; inteligencia artificial; lesiones cutáneas;
procesamiento de imágenes; segmentación de piel
ABSTRACT
Skin image analysis plays a fundamental role in the field of dermatology, as it enables early and accurate
detection of various skin conditions. However, this process faces significant challenges due to the variability of
characteristics present in skin lesions, such as textures, tones, and the existence of villi on the contour. In this
article, a systematic review of literature on computer libraries used in the analysis of dermatological images with
computer vision is presented. This research is based on the PRISMA statement and scientific databases: SCOPUS
and IEEE Xplore for searching and aims to identify a wide variety of computer libraries and skin lesions. The
results showed 7 libraries and 21 dermatological lesions, which contribute to a more precise analysis and a more
reliable clinical diagnosis for the timely detection of skin disorders. In conclusion, this research highlights
computer libraries that have a significant impact on improving clinical diagnosis, which is key to the
development of effective solutions for people's health.
Keywords: dermatological classification; clinical diagnosis; artificial intelligence; skin lesions; image processing;
skin segmentation
Huanatico-Lipa, J. C. & Coral-Ygnacio, M. A.
2 Rev. Cient. Sist. Inform. 4(1): e590; (Ene-Jun, 2024). e-ISSN: 2709-992X
1. INTRODUCCIÓN
El análisis de imágenes dermatológicas (AID) se ha convertido en un proceso esencial en el campo de la
dermatología puesto que permite a los especialistas tener un enfoque preciso y objetivo en el seguimiento
y diagnóstico de trastornos cutáneos. De este modo, los sistemas que adoptan el AID proporcionan un
procesamiento y una evaluación precisa de las características de las lesiones dermatológicas. Por ello, las
librerías informáticas cobran relevancia para garantizar la precisión y eficiencia en la detección de
trastornos dermatológicos.
En los últimos años, las implementaciones de AID han experimentado varios enfoques de desarrollo que se
han basado en modelos de inteligencia artificial como FCN, U-Net y SegNet, las cuales permiten que los
sistemas puedan extraer y segmentar la información de las imágenes de modo que se logre un eficiente
análisis (Lou et al., 2023). A pesar de que las implementaciones se basaban en estos enfoques sofisticados,
las pruebas demostraron que existían deficiencias en su rendimiento y performance. Esto porque se
evidenció la presencia de factores que los sistemas no consideraban en su proceso como es la diversidad
racial, tipologías de piel y la presencia de elementos externos, por ello se tuvo que añadir como elemento
de cambio dichos factores para poder lograr un mayor rendimiento y precisión que garantice la eficiencia
en las implementaciones de sistemas de AID (Phan et al., 2023; Yilmaz & Trocan, 2021).
Para la recopilación de información de las lesiones cutáneas en implementaciones actuales, los
dermatólogos utilizan las imágenes clínicas o dermatoscópicas, las cuales son generadas por medio de
cámaras digitales anexas a un sistema de procesamiento para el respectivo análisis dermatológico (Palacios
& Díaz, 2017). Si bien este método tradicional contempla la identificación de diferentes trastornos
cutáneos, existen parámetros y condiciones que no se consideran, tales como: la iluminación, la calidad de
imagen, la variabilidad de distancia y elementos distractores. Esto conlleva que los especialistas realicen
esfuerzos adicionales para validar los resultados obtenidos por el sistema con el objetivo de reducir la tasa
de error en el diagnóstico (Albraikan et al., 2023). En vista de las limitaciones mencionadas, se debe
estudiar las librerías informáticas que permitan el desarrollo de nuevas implementaciones de sistemas AID,
asimismo, de lesiones dermatológicas para el estudio de patrones que propicien un eficiente
reconocimiento y clasificación de estas en los diagnósticos dermatológicos (Wu et al., 2022).
Los diferentes estudios realizados en el tema muestran una gran variedad de implementaciones basados
en modelos, las cuales en su mayoría se centran en modificaciones y uniones de otros modelos existentes,
en las cuales se aplican una serie de ajustes que responden a las deficiencias encontradas (Wu et al., 2022;
Yao et al., 2022; Zhang et al., 2022). Asimismo, se presenta un conjunto de métodos y técnicas claves que
posibilitan el éxito del modelo y de las implementaciones de AID.
A pesar de los diversos estudios analizados en este tema, no se identificaron implementaciones que posean
librerías informáticas que otorguen un nivel de precisión mayor al 93,2% y que se adapten a nuevas
características que pueden presentar las lesiones cutáneas en un entorno real (Alzubaidi et al., 2022). Por
ello, no se determina de manera eficiente la implementación de un sistema de AID. Esto sirve de motivación
para realizar una revisión sistemática de literatura que permita contemplar el alcance del factor de
precisión y adaptabilidad.
El objetivo de la revisión sistemática de literatura se centra en la identificación de librerías para la
implementación de sistemas AID, del mismo modo que se consideran las que son más utilizadas. Asimismo,
se identifican las lesiones por visión computacional, en ese sentido se toman en cuenta las que son más
complejas de reconocer para identificar patrones que posibiliten la eficiencia del diagnóstico médico.
2. MATERIALES Y MÉTODOS
Se realizó una investigación de tipo descriptiva con un diseño de revisión sistemática de literatura
considerando las etapas presentadas por diversos autores en relación a las Tecnologías de la Información
Huanatico-Lipa, J. C. & Coral-Ygnacio, M. A.
3 Rev. Cient. Sist. Inform. 4(1): e590; (Ene-Jun, 2024). e-ISSN: 2709-992X
(Liberati et al., 2009; Caballé et al., 2020; Decharatanachart et al., 2021; Islam et al., 2020), de este modo se
establecen 11 pasos a seguir: Elaboración del título, resumen estructurado, justificación, objetivos, criterio
de elegibilidad, fuentes de información, búsqueda, selección de estudios, procesos de recopilación de datos,
síntesis de resultados y conclusiones (Liberati et al., 2009).
La revisión sistemática de literatura se elabora a partir de la declaración PRISMA (Liberati et al., 2009).
Asimismo, se considera el cribado y la recolección de datos según la estructura de cuatro pasos (Alcantud
Marín et al., 2015). En este proceso se utilizan como fuentes de información las bases de datos SCOPUS e
IEEE Xplore por ser consideradas de alta reputación y calidad para temas de investigación.
Para el alcance de los objetivos propuestos, se definieron cuatro preguntas de investigación que serán
claves para el estudio.
i. ¿Qué librerías son utilizadas en implementaciones de sistemas de análisis de imágenes
dermatológicas?
ii. ¿Qué lesiones dermatológicas pueden ser analizadas mediante reconocimiento por visión
computacional?
iii. ¿Cuáles son las lesiones de la piel más complejas de analizar mediante reconocimiento por visión
computacional?
Los criterios establecidos para la búsqueda y selección de artículos (inclusión y exclusión) se muestran en
la Tabla 1.
Tabla 1.
Criterios de inclusión y exclusión de la RSL
Inclusión
Criterios
Razones
Unidad de análisis
Estudios que incluyan implementaciones de sistemas de
análisis de imágenes dermatológicas y considere imágenes
médicas
Enfoque de Investigación
Estudios que identifiquen modelos, métodos y técnicas en el
proceso de análisis de imágenes dermatológicas en
Hospitales
Tipo de Publicación
Artículos en estado final
Idioma
Solo se consideran artículos en idioma inglés
Periodo
Enero del 2021 - marzo del 2023
Área
Ciencias de la computación (Computer Science)
Exclusión
Enfoque de investigación
Estudios que no muestran metodología de investigación,
estadísticas descriptivas y análisis o discusión
Las fuentes de información que permitieron la extracción de los estudios fueron: SCOPUS e IEEE Xplore con
fecha de corte al 27 de abril del 2023. Se optaron por estas bases de datos científicas, ya que proveen
investigaciones de calidad y una notoria reputación respaldada por investigadores e instituciones
internacionales destacadas (Cañedo et al., 2010).
Para la extracción de la información en la base de datos se utilizaron las siguientes palabras claves:
"methods", "models", "techniques", "image analysis","computer vision"."visual identification","image
processing","dermatological", "skin","lesions", "libraries", "development","implementation". "software",
"system", "application". Con base a estas, se pudo definir la siguiente cadena de búsqueda: ("image analysis"
OR "computer vision" OR "visual identification" OR "image processing") AND (dermatological OR skin OR
lesions) AND (models OR methods OR techniques) AND (libraries OR development OR implementation)
AND (software OR system OR application). La búsqueda se aplicó de igual manera en Scopus como en IEEE
Xplore para los estudios respectivos.
Huanatico-Lipa, J. C. & Coral-Ygnacio, M. A.
4 Rev. Cient. Sist. Inform. 4(1): e590; (Ene-Jun, 2024). e-ISSN: 2709-992X
La selección de los artículos se llevó a cabo siguiendo un proceso de cribado basado en las etapas detalladas
en la Figura 1. Los estudios pertinentes fueron identificados en la etapa de análisis de título y resumen, así
como en la revisión exhaustiva de los artículos. En el análisis de título y resumen, se procedió a identificar
aquellos artículos que guardaran relación con los objetivos de la investigación, evaluando minuciosamente
los títulos y resúmenes. En lo que respecta a la revisión completa, se llevó a cabo un análisis integral de
todas las secciones de los artículos con el propósito de confirmar su potencial contribución al tema de
investigación.
3. RESULTADOS Y DISCUSIÓN
3.1. Resultados de búsqueda
La búsqueda se llevó a cabo en la primera etapa del cribado, obteniendo un total de 97 400 estudios entre
Scopus e IEEE Xplore, en Scopus 921 publicaciones y en IEEE Xplore 93, luego se encontraron 12 trabajos
duplicados, los cual dan un total de 1 002 artículos incluidos, luego se filtraron a partir del título y el
resumen quedando 62 artículos.
Figura 1. Flujograma de la selección de estudios (Liberati et al., 2009)
Huanatico-Lipa, J. C. & Coral-Ygnacio, M. A.
5 Rev. Cient. Sist. Inform. 4(1): e590; (Ene-Jun, 2024). e-ISSN: 2709-992X
Finalmente se aplica un análisis de los estudios obtenidos con el fin de poder identificar solo aquellos que
contemplen trabajos de implementación relacionado a enfermedades cutáneas, quedando 61 trabajos para
el análisis respectivo. La Figura 1 presenta el detalle de la extracción de estudios, y el proceso se puede
visualizar en el siguiente enlace https://bit.ly/3pZDcGU.
La Tabla 2 muestra el número de estudios seleccionados después de aplicar el flujograma de la declaración
PRISMA (Figura 1).
Tabla 2.
Estudios objetivos de la RSL
Fuente
Estudios potenciales
Estudios seleccionados
Scopus
96600
51
IEEE Xplore
800
10
Total
97400*
61*
Nota: *Resultados finales de los estudios potenciales y seleccionados
Se identifican los artículos de mayor relevancia en el estudio mediante un conteo de frecuencias de citas
que recibieron los artículos hasta la fecha de corte (Figura 2).
Figura 2. Cantidad de citas por artículo (Top 10)
En la Figura 2 se observa que la investigación de Abdar et al. (2021) ha obtenido la mayor cantidad de citas,
mientras que Abbas et al. (2021) la menor cantidad. Esto implica que el trabajo de Abdar et al. (2021) ha
generado un interés considerable en el campo de investigación, representando un 36,63% del total de citas,
mientras que Abbas et al. (2021) es aquel que menor interés genera.
Se identifica las palabras claves de los estudios objetivos con el fin de alcanzar una mejor comprensión de
la tendencia y enfoque de la investigación (Figura 3).
Huanatico-Lipa, J. C. & Coral-Ygnacio, M. A.
6 Rev. Cient. Sist. Inform. 4(1): e590; (Ene-Jun, 2024). e-ISSN: 2709-992X
Figura 3. Cantidad de keywords de los artículos objetivos
En la Figura 3 se puede observar que la palabra clave con mayor frecuencia es "deep learning" (23
keywords). En ese sentido, se puede inferir que el deep learning tiene una alta relación con el tema de
investigación.
Se realiza la identificación de la nacionalidad de los autores participantes en las diferentes publicaciones
asociadas al tema de estudio. Esto con la finalidad de conocer la cantidad de investigadores en cada país
(Figura. 4).
Figura 4. Países por autores de artículos
En la Figura 4 se observa que la mayor cantidad de investigadores provienen de China (110) seguidamente
de Corea del Sur (24) y la India (23). Mientras que países como Venezuela, Iraq y Eslovenia son los que
menor cantidad de investigadores tienen.
Huanatico-Lipa, J. C. & Coral-Ygnacio, M. A.
7 Rev. Cient. Sist. Inform. 4(1): e590; (Ene-Jun, 2024). e-ISSN: 2709-992X
3.2. Análisis de resultados
Para obtener los resultados de investigación se realizó un análisis cuantitativo en las preguntas i y ii, a
partir de librerías y lesiones dermatológicas. Asimismo, se aplicó un análisis cualitativo en la pregunta iii a
través de un conteo de frecuencias, considerando los factores rendimiento y complejidad. El proceso de
análisis se puede visualizar en el siguiente enlace: https://bit.ly/3RtruiT.
Pi. ¿Qué librerías son utilizadas en implementaciones de sistemas de análisis de imágenes dermatológicas?
La Tabla 3 presenta una recopilación de bibliotecas de software de los diversos estudios considerados en
la investigación, las cuales son utilizadas para la construcción y entrenamiento de modelos de aprendizaje
automático en la implementación de un sistema de análisis de imágenes dermatológicas.
Tabla 3.
Librerías para la implementación de sistemas de AID
Artículo
Librerías
Descripción
Abbas et al. (2021); Back et al. (2021);
Cai et al. (2023); Cui et al. (2023); Gu
et al. (2021); Han et al. (2023); He et
al. (2023); Lai et al. (2022); Lan et al.
(2022); Lei et al. (2023); Morgado et
al. (2021); Nguyen et al. (2022); Qiu et
al. (2023); Wang et al. (2023); Wu et
al. (2021); Yao et al. (2022); Zhang et
al. (2022); H. Zhao et al. (2022)
Pytorch
Para su implementación se utilizó la librería Pytorch de
Python, ya que es una librería eficiente y popular de
aprendizaje profundo que posibilitó el alcance de una
variedad de tareas, incluida la segmentación de imágenes
médicas y el entrenamiento de la red neuronal.
Cai et al. (2023); Gálvez et al. (2021);
Wei zhu et al. (2022)
Numpy
Numpy permite almacenar y manipular grandes
conjuntos de datos multidimensionales de manera
eficiente, lo cual es importante en el análisis de
imágenes, donde se trabaja con matrices de píxeles,
asimismo, ofrece una amplia gama de funciones y
operaciones matemáticas y estadísticas que son
necesarias para el procesamiento de imágenes
dermatológicas. Estas funciones incluyen cálculos de
promedios, desviaciones estándar, operaciones de
álgebra lineal, convolución, interpolación y
transformaciones geométricas, entre otras.
Bala et al. (2023)
Scikit
Para la implementación del modelo MonkeyNet se utilizó
la librería Scikit de Python, ya que permitió la
construcción de la red neuronal, asimismo como su
entrenamiento para la identificación eficiente de la
viruela del mono.
Abbas et al. (2021); Aladhadh et al.
(2022); Cano et al. (2021); La Salvia et
al. (2022); Lou et al. (2023); Phan et al.
(2023)
Keras
Para su implementación se utilizó la librería Keras, ya
que es una librería potente para poder crear y entrenar
redes neuronales, el cual permitió la realización de la
adaptación del modelo U-net con el fin de poder generar
un modelo eficiente de análisis de imágenes
dermatológicas.
Aladhadh et al. (2022); Ashtari et al.
(2023); Cano et al. (2021); La Salvia et
al. (2022); Li et al. (2022); Phan et al.
(2023)
Tensorflow
Para la implementación de los diferentes modelos se
utilizó la librería de Tensorflow, ya que proporcionó una
flexibilidad en el desarrollo y una eficiencia en la
ejecución utilizando GPU y TPU, herramientas integradas
de visualización y depuración, lo cual permitió el
desarrollo y entrenamiento de modelos sofisticados para
el diagnóstico clínico cutáneo.
Gálvez et al. (2021); Szolga et al.
(2001); Wei zhu et al. (2022)
OpenCv
Los autores proponen la librería OpenCv de Python para
poder lograr un análisis oportuno en la clasificación de
lesiones en imágenes médicas. OpenCv se permitió
manipular y analizar imágenes en tiempo real en
términos de distintas perspectivas (3D/2D),
proporcionando una amplia gama de funciones y
Huanatico-Lipa, J. C. & Coral-Ygnacio, M. A.
8 Rev. Cient. Sist. Inform. 4(1): e590; (Ene-Jun, 2024). e-ISSN: 2709-992X
algoritmos para el procesamiento de imágenes, detección
de características, segmentación y reconocimiento de
objetos en la piel.
Szolga et al. (2001)
Tkinter
Para la implementación del modelo se utilizó las librería
Tkinter(GUI), la cual permite crear interfaces de usuarios
intuitivas que apoye a los especialistas en la toma de
decisiones de sus diagnósticos. Posee una amplia gama
de componentes que permite poder construir interfaces
de manera rápida, asimismo, debido a su adaptación con
Python permite integrarse de manera eficiente y simple
con diferentes librerías de aprendizaje profundo.
En la Tabla 4 se muestra las bibliotecas de software que mayor aplicación han presentado entre los diversos
estudios para la construcción y entrenamiento de modelos de aprendizaje profundo en la implementación
de un sistema de análisis de imágenes dermatológicas.
Tabla 4.
Librerías más utilizadas en implementaciones de sistemas de AID
Referencia
Librería
Descripción
Abbas et al. (2021); Ashtari et al.
(2023); Back et al. (2021); Cai et al.
(2023); Gu et al. (2021); Han et al.
(2023); He et al. (2023); Karri et al.
(2023); Lai et al. (2022); Lan et al.
(2022); Lei et al. (2023); Morgado et
al. (2021); Nguyen et al. (2022); Qiu et
al. (2023); Wang et al. (2023); Wu et
al. (2021); Yao et al. (2022); Zhang et
al. (2022); H. Zhao et al. (2022)
Pytorch
En base a los estudios analizados, se observa que la
librería Pytorch ofrece numerosas ventajas y
funcionalidades para aplicaciones de análisis
dermatológico. Específicamente, se destacan tres áreas
principales de aplicación: clasificación de lesiones de la
piel, segmentación de lesiones cutáneas y síntesis de
imágenes. En lo que respecta a la clasificación de
lesiones de la piel, Pytorch permitió entrenar modelos
de aprendizaje profundo con el objetivo de lograr una
clasificación precisa de diversos tipos de lesiones
cutáneas, como el melanoma y el carcinoma de células
basales. En cuanto a la segmentación de lesiones
cutáneas, Pytorch se destacó por su capacidad para
construir redes neuronales versátiles y robustas que
pueden eliminar interferencias y ruidos, logrando así
una segmentación eficiente de las áreas afectadas. En
relación con la síntesis de imágenes, Pytorch resulta
invaluable para la reconstrucción y generación de
efectos realistas en las áreas de lesión debido a sus
diversas funciones incorporadas.
Abbas et al. (2021); Aladhadh et al.
(2022); Cano et al. (2021); La Salvia et
al. (2022); Lou et al. (2023); Phan et al.
(2023)
Keras
En base a los estudios analizados, se observa que la
librería Keras ofrece una amplia gama de
funcionalidades para el análisis de imágenes
dermatológicas. Al utilizar Keras se obtuvieron
resultados relevantes como la capacidad de
implementar y entrenar redes neuronales
convolucionales (CNN) específicamente diseñadas para
lograr una clasificación precisa de imágenes de la piel,
permitiendo así la detección automática de
enfermedades dermatológicas. Asimismo, Keras
proporcionó herramientas para realizar una
segmentación precisa de lesiones, lo que facilitó la
identificación y delimitación de áreas problemáticas en
las imágenes médicas. Por último, la librería ofreció
capacidades de visualización y simulación de las
lesiones dermatológicas, lo que permitió comprender y
mejorar el proceso de diagnóstico.
Aladhadh et al. (2022); Ashtari et al.
(2023); Cano et al. (2021); La Salvia et
al. (2022); Li et al. (2022); Phan et al.
(2023)
Tensorflow
En base a los estudios analizados, se observa que la
librería Tensorflow ofrece una amplia gama de
funcionalidades que van desde la segmentación
automática de enfermedades de la piel hasta la
Huanatico-Lipa, J. C. & Coral-Ygnacio, M. A.
9 Rev. Cient. Sist. Inform. 4(1): e590; (Ene-Jun, 2024). e-ISSN: 2709-992X
visualización y/o simulación de anomalías cutáneas. En
lo que respecta a la segmentación, Tensorflow
proporciona herramientas lo cual permite identificar y
delimitar áreas específicas de interés. Esto facilita el
análisis detallado de regiones particulares. Otro
resultado significativo es la capacidad de detección de
objetos en imágenes dermatológicas. Utilizando
Tensorflow, se pudo identificar y localizar
características específicas de lunares, manchas y
lesiones, lo cual es especialmente valioso en el
diagnóstico temprano, ya que ayuda a los médicos a
poder generar diagnósticos más precisos y eficientes.
Cai et al. (2023); Gálvez et al. (2021);
Wei zhu et al. (2022)
Numpy
En base a los estudios analizados, se observa que la
librería Numpy facilitó la preparación y el
preprocesamiento de los datos de entrada, así como el
diseño y entrenamiento de las redes neuronales
propuestos en los diversos estudios. Además, permitió
realizar predicciones precisas en nuevas imágenes de
enfermedades cutáneas, lo que ayudó en el diagnóstico
y clasificación de las enfermedades de la piel de
manera automatizada y eficiente.
Gálvez et al. (2021); Szolga et al.
(2001); Wei zhu et al. (2022)
OpenCv
En base a los estudios analizados, se observa que la
librería OpenCv permitió obtener resultados valiosos,
como el mejoramiento de la calidad de las imágenes, la
segmentación de áreas de interés, la detección de
contornos y características, y la clasificación
automatizada de enfermedades de la piel. Estas
capacidades permitieron un análisis más preciso y
eficiente de las imágenes dermatológicas, facilitando el
diagnóstico de las enfermedades cutáneas.
Pii. ¿Qué lesiones dermatológicas pueden ser analizadas mediante reconocimiento por visión
computacional?
La Tabla 5 presenta una recopilación de lesiones dermatológicas que pueden ser analizadas por visión
computacional mediante la identificación de características sospechosas (color, forma y textura) en la piel.
Tabla 5.
Lesiones dermatológicas analizadas por visión computacional
Artículo
Lesiones
dermatoló
gicas
Descripción
Abdar et al. (2021); Aladhadh et al.
(2022); Albraikan et al. (2023); Cano
et al. (2021); Choudhary et al. (2021);
Deng et al. (2021); Gálvez et al. (2021);
Jaisakthi et al. (2022); Jiji et al. (2021);
Karri et al. (2023); Kosgiker et al.
(2021); Lan et al. (2022); Lei et al.
(2023); Liu et al. (2023); Nawaz et al.
(2021); Pereira et al. (2022); Phan et
al. (2023); Qiu et al. (2023); Quero-
Caiza & Altuve (2021); Thurnhofer-
Hemsi et al. (2021); Wu et al. (2021);
Yang & Lu (2022); Yilmaz & Trocan
(2021); Zaid et al. (2022); Zhang et al.
(2022); D. Zhao et al. (2023); H. Zhao
et al. (2022)
Melanoma
El estudio pone énfasis en el trastorno más crítico de la
piel, el melanoma, puesto que considera importante su
identificación en etapas tempranas que tardías debido a
su alto índice de mortalidad en el afectado. Por ende, el
modelo presentado se enfoca en la detección oportuna
de esta afección cutánea.
Aladhadh et al. (2022); Albraikan et al.
(2023); Lan et al. (2022); Lei et al.
Nevus
melanocític
Los autores presentan modelos para poder identificar y
clasificar con precisión dos tipologías del trastorno
Huanatico-Lipa, J. C. & Coral-Ygnacio, M. A.
10 Rev. Cient. Sist. Inform. 4(1): e590; (Ene-Jun, 2024). e-ISSN: 2709-992X
(2023); Mansour et al. (2022); Pereira
et al. (2022); Quero-Caiza & Altuve
(2021); Yao et al. (2022); Zaid et al.
(2022)
o (NV) /
Nevus
atípico
Nevus: Nevus común y Nevus Atípico. Estas
enfermedades son de importancia crítica debido a sus
implicaciones potenciales para la salud. Para lograr esto,
los autores han extraído características discriminatorias
clave que permiten una identificación precisa de estas
condiciones. Estas características incluyen la forma, el
tamaño, el color y el contorno de las lesiones cutáneas
asociadas con cada una de estas enfermedades. Al
utilizar estas características como criterios de
clasificación, el modelo puede generar un diagnóstico
más preciso para estas enfermedades cutáneas.
Aladhadh et al. (2022); Albraikan et al.
(2023); Bibi et al. (2022); Karri et al.
(2023); Kumar et al. (2022); Lan et al.
(2022); Lei et al. (2023); Mansour et
al. (2022); Yao et al. (2022); Zaid et al.
(2022); H. Zhao et al. (2022)
Carcinoma
de células
basales
(BCC),
Los autores identificaron el trastorno del carcinoma de
celular basales (BCC), el cual es el tipo más común de
cáncer de piel. Los estudios centran su atención en las
características que incluyen la asimetría de forma,
tamaño o distribución de colores de la lesión, bordes
irregulares o mal definidos, presencia de diferentes
tonalidades de color, vasos sanguíneos visibles,
superficie brillante o perlada, así como úlceras o llagas
que no cicatrizan. Estas características son importantes
para la detección temprana y precisa del carcinoma de
células basales, y el análisis automatizado de imágenes
dermatológicas, utilizando algoritmos y técnicas de
aprendizaje automático, puede contribuir en el
diagnóstico y tratamiento oportunos de este tipo de
cáncer de piel.
Aladhadh et al. (2022); Albraikan et al.
(2023); Lan et al. (2022); Lei et al.
(2023); Mansour et al. (2022);
Thurnhofer-Hemsi et al. (2021); Yao et
al. (2022); Zaid et al. (2022)
Queratosis
actínica
(AK)
Los autores presentan el trastorno de queratosis actínica
(AK), el cual es también conocida como queratosis solar,
esta se caracteriza por la presencia de parches
escamosos, ásperos y con costras en áreas expuestas al
sol, como la cara, las manos, los brazos y el cuero
cabelludo. El sistema de análisis de imágenes
dermatológicas debe prestar atención a ciertas
características de la queratosis actínica que incluyen el
tamaño, la forma y el color de las lesiones, así como su
distribución en la piel. Además, el sistema debe
considerar la presencia de áreas con textura áspera,
descamación, costras y cambios de coloración.
Albraikan et al. (2023); Kosgiker et al.
(2021); Liu et al. (2023); Mansour et
al. (2022); Maqsood & Damaševičius,
(2023)
Queratosis
seborreica
(SCC)
Los autores presentan el trastorno de Queratosis
seborreica (SCC), el cual es una afección cutánea benigna
muy común que se caracteriza por el desarrollo de
lesiones elevadas, redondeadas y con apariencia
verrugosa en la piel. Estas lesiones suelen ser de color
marrón o negro, aunque también pueden ser de tonos
más claros. A diferencia de otras afecciones cutáneas, la
queratosis seborreica no está relacionada con la
exposición al sol ni es precancerosa.
Kosgiker et al. (2021); Lei et al.
(2023); Zaid et al. (2022)
Queratosis
benigna
Los autores presentan la afección de Queratosis benigna
que es una afección cutánea no cancerosa que se
caracteriza por la presencia de lesiones planas, ásperas y
escamosas en la piel. Estas lesiones suelen ser pequeñas
y pueden variar en color, desde rosa claro hasta marrón.
Aunque la queratosis benigna no representa un riesgo
para la salud, puede ser estéticamente incómoda para
algunas personas.
Aladhadh et al. (2022); Lan et al.
(2022); Lei et al. (2023); Yao et al.
(2022)
Dermatofibr
oma (DF)
Los autores presentan el trastorno de Dermatofibroma la
cual consiste en un nódulo o protuberancia en la piel.
Esta se forma a partir de células fibroblásticas y puede
variar en tamaño y color. Usualmente, se encuentra en
las extremidades, especialmente en las piernas, pero
también puede aparecer en otras áreas del cuerpo. Para
Huanatico-Lipa, J. C. & Coral-Ygnacio, M. A.
11 Rev. Cient. Sist. Inform. 4(1): e590; (Ene-Jun, 2024). e-ISSN: 2709-992X
su correcto análisis los sistemas de análisis deberán
prestar atención en algunos aspectos relevantes a
considerar que incluyen el tamaño, la forma, el color y la
textura de la lesión.
Bibi et al. (2022); Kumar et al. (2022);
Lei et al. (2023); Mansour et al.
(2022); Zaid et al. (2022); H. Zhao et
al. (2022)
Carcinoma
de células
escamosas
Los autores presentan el trastorno de Carcinoma de
células escamosas, el cual consiste es un tipo de cáncer
de piel que se origina en las células escamosas de la
epidermis, la capa más externa de la piel. Este tipo de
cáncer puede desarrollarse en áreas expuestas al sol,
como la cara, el cuello, las orejas, los labios y las manos,
pero también puede surgir en otras partes del cuerpo. En
ese sentido los sistemas deben prestar atención a las
características específicas de la lesión para su detección
y evaluación precisa. Algunas de estas características
incluyen la forma y el tamaño de las lesiones, la textura
escamosa y áspera de la superficie, la presencia de
costras y úlceras.
Albraikan et al. (2023); Lei et al.
(2023); Zaid et al. (2022)
Lesión
vascular
(VASC)
Los autores presentan la afección de lesión vascular
(VASC), el cual se refiere a una afección cutánea que
implica la presencia de anomalías en los vasos
sanguíneos de la piel. Estas lesiones pueden variar en
apariencia y características, y se clasifican en diferentes
tipos, como malformaciones vasculares, hemangiomas o
telangiectasias. Para su identificación los sistemas
deberán prestar atención en aspectos que incluyen la
apariencia y la distribución de los vasos sanguíneos
anómalos en la piel, así como el tamaño, la forma y el
color de las lesiones.
Yao et al. (2022)
Enfermedad
de Bowen
EL autor presenta el trastorno de la enfermedad de
Bowen, el cual consiste en una forma de carcinoma de
células escamosas in situ que afecta la capa más externa
de la piel, conocida como la epidermis. Esta enfermedad
se caracteriza por la presencia de lesiones escamosas,
rojas y escamosas que pueden ser planas o elevadas.
Para su identificación, los sistemas deberán prestar
atención en variaciones que van desde manchas rojas y
escamosas hasta placas gruesas y descamativas en la
piel.
Bala et al. (2023)
Viruela del
mono
El autor presenta un modelo para poder identificar con
precisión la enfermedad cutánea de la viruela del mono,
para ello se obtuvo las características principales del
trastorno tales como tamaño, morfología, color y
contraste de modo que permita la construcción exitosa y
eficiente del modelo.
Bing et al. (2023)
Cancer de
mama
El estudio pone énfasis en la detección de una de las
enfermedades más comunes en mujeres, el cáncer de
mama. El autor propone el siguiente método con el fin de
poder extraer características comunes para la detección
de este trastorno, tales como: morfología, color y
contraste.
Phan et al. (2023)
Hiperpigme
ntación
El autor centra la investigación en el trastorno de la
hiperpigmentación. De esta enfermedad se extrajo
características que permitan poder realizar el análisis
más eficiente, tales como: color, tamaño y la morfología
de la lesión de modo que se pueda obtener un análisis
más preciso.
Alzubaidi et al. (2022)
Carcinoma
invasivo y
Carcinoma
in situ
El autor presenta el siguiente modelo para poder
identificar y clasificar con precisión dos de las más
críticas enfermedades de la piel: Carcinoma invasivo y el
Carcinoma in situ. Para ello, el autor precisa que se
extrajo características discriminatorias que permitan su
Huanatico-Lipa, J. C. & Coral-Ygnacio, M. A.
12 Rev. Cient. Sist. Inform. 4(1): e590; (Ene-Jun, 2024). e-ISSN: 2709-992X
identificación como son: la forma, el tamaño, el color y el
contorno de las lesiones mencionadas.
Szolga et al. (2001)
Lunares
benignos
El estudio se centró en la clasificación de lunares
benignos. Para lo cual, se tuvo que extraer características
comunes tales como: color y forma. De modo que el
modelo entrene y genere un diagnóstico óptimo.
Abbas et al. (2021)
Melanoma
Acral (MA)
El autor presenta la siguiente técnica para identificar y
clasificar con precisión una de las enfermedades de la
piel más críticas: el Melanoma Acral. Para lograrlo, se
extrajeron características discriminatorias clave que
permiten su identificación, como la forma, el tamaño, el
color y el contorno de las lesiones mencionadas
específicamente en este tipo de melanoma.
Phan et al. (2023)
Acné
El autor presenta el trastorno del acné, el cual ha
demostrado una dificultad moderada debido a los
múltiples factores que pueden ser analizados para su
identificación tales como: protuberancia del área, el color
y morfología de la lesión.
Jiji et al. (2021)
Psoriasis y
Quistes
Sebáceos
El autor presenta el siguiente modelo para poder
identificar enfermedades de baja y alta criticidad. En lo
que respecta a las de baja criticidad tenemos, al acné,
puesto que para su identificación no requiere muchas
características que el modelo deberá entrenar con el fin
de detectarlo. En cambio, la psoriasis, melanoma y
quistes sebáceos son trastornos que requieren una
mayor cantidad de parámetros para su detección tales
como: color, morfología y tamaño.
Back et al. (2021)
Herpes
zóster (HZ)
El autor presenta el siguiente modelo para identificar y
clasificar con precisión el Herpes Zoster, una enfermedad
crítica de la piel. Para su identificación se han extraído
características discriminatorias, como la forma, el
tamaño, el color y el contorno de las lesiones, para
facilitar su identificación.
Piii. ¿Cuáles son las lesiones de la piel más complejas de analizar mediante reconocimiento por visión
computacional?
En la Tabla 6 se identifican las lesiones dermatológicas que mayor complejidad han presentado por visión
computacional, las cuales contemplan factores como la identificación de características (color, forma y
textura) de la piel.
Tabla 6.
Lesiones con mayor complejidad por visión computacional
Referencia
Lesión
Observación
Abdar et al. (2021); Aladhadh et al.
(2022); Albraikan et al. (2023); Cano
et al. (2021); Choudhary et al.
(2021); Deng et al. (2021); Gálvez et
al. (2021); Jaisakthi et al. (2022); Jiji
et al. (2021); Karri et al. (2023);
Kosgiker et al. (2021); Lan et al.
(2022); Lei et al. (2023); Liu et al.
(2023); Nawaz et al. (2021); Pereira
et al. (2022); Phan et al. (2023); Qiu
et al. (2023); Quero-Caiza & Altuve
(2021); Thurnhofer-Hemsi et al.
(2021); Wu et al. (2021); Yang & Lu
(2022); Yilmaz & Trocan (2021);
Zaid et al. (2022); Zhang et al.
Melanoma (MEL)
Se considera que el melanoma presenta un desafío
significativo debido a su complejidad y gravedad, ya
que para su identificación se requiere una gran
variedad de características visuales y técnicas
avanzadas de procesamiento de imágenes,
aprendizaje automático y análisis clínico para lograr
una precisión y confiabilidad adecuada en la
detección y clasificación de melanoma. Asimismo, es
fundamental contar con un conjunto de datos bien
anotado y diverso, así como una validación rigurosa
del modelo para garantizar resultados eficientes.
Huanatico-Lipa, J. C. & Coral-Ygnacio, M. A.
13 Rev. Cient. Sist. Inform. 4(1): e590; (Ene-Jun, 2024). e-ISSN: 2709-992X
(2022); D. Zhao et al. (2023); H. Zhao
et al. (2022)
Aladhadh et al. (2022); Albraikan et
al. (2023); Bibi et al. (2022); Karri et
al. (2023); Kumar et al. (2022); Lan
et al. (2022); Lei et al. (2023);
Mansour et al. (2022); Yao et al.
(2022); Zaid et al. (2022); H. Zhao et
al. (2022)
Carcinoma de
células basales
(BCC)
Se considera que el Carcinoma de células basales
(BCC) implica una complejidad considerable debido a
la necesidad de identificar características sutiles y
diferenciar lesiones cancerosas de benignas.
Asimismo, se requiere un enfoque multidisciplinario
y un conjunto de datos representativos para
desarrollar un modelo preciso y confiable.
Aladhadh et al. (2022); Albraikan et
al. (2023); Lan et al. (2022); Lei et al.
(2023); Mansour et al. (2022);
Thurnhofer-Hemsi et al. (2021); Yao
et al. (2022); Zaid et al. (2022)
Queratosis
Actínica (AK)
Se considera que la Queratosis Actínica (AK) presenta
una complejidad considerable debido a la necesidad
de identificar características específicas y diferenciar
las lesiones precancerosas de otras afecciones de la
piel. Asimismo, se requiere el uso de técnicas
avanzadas de procesamiento de imágenes y
algoritmos de aprendizaje automático, así como una
validación rigurosa para garantizar resultados
precisos y confiables en el diagnóstico de esta
enfermedad cutánea.
Aladhadh et al. (2022); Albraikan et
al. (2023); Lan et al. (2022); Lei et al.
(2023); Thurnhofer-Hemsi et al.
(2021); Yao et al. (2022); Zaid et al.
(2022)
Lesión vascular
(VASC)
Se considera que la lesión vascular (VASC) presenta
una complejidad considerable debido a la necesidad
de identificar características relacionadas con los
vasos sanguíneos y la variabilidad en la apariencia de
las lesiones. Asimismo, se requiere técnicas
avanzadas de procesamiento de imágenes, un
conjunto de datos representativo y una validación
rigurosa para lograr resultados precisos en el
diagnóstico de estas afecciones cutáneas vasculares.
Bibi et al. (2022); Kumar et al.
(2022); Lei et al. (2023); Mansour et
al. (2022); Zaid et al. (2022); H. Zhao
et al. (2022)
Carcinoma de
células
escamosas (SCC)
Se considera que la lesión de Carcinoma de células
escamosas (SCC) en imágenes dermatológicas
conlleva una complejidad significativa debido a la
necesidad de identificar características específicas y
distinguir las lesiones malignas de otras afecciones
cutáneas. Requiere un enfoque multidisciplinario,
conocimientos especializados y técnicas avanzadas de
procesamiento de imágenes y aprendizaje
automático.
Bing et al. (2023)
Cancer de mama
Se considera que la enfermedad de Cáncer de mama
presenta una complejidad alta debido a la
variabilidad y la heterogeneidad de la enfermedad.
Debido a estos factores se requieren técnicas
avanzadas de procesamiento de imágenes para la
detección y clasificación.
Albraikan et al. (2023); Kosgiker et
al. (2021); Liu et al. (2023); Mansour
et al. (2022); Maqsood &
Damaševičius, (2023)
Queratosis
seborreica
Se considera que la enfermedad de la Queratosis
seborreica implica una complejidad alta debido a las
características variables y la similitud visual con otras
lesiones cutáneas. Por ello, requiere técnicas
avanzadas de procesamiento de imágenes para
detectar y clasificarlas con precisión.
Yao et al. (2022)
Enfermedad de
Bowen (AK)
Se considera que la lesión de Bowen implica una
complejidad alta debido a la diversidad en la
apariencia y la necesidad de distinguir entre lesiones
benignas y potencialmente malignas. Requiere
técnicas avanzadas de procesamiento de imágenes y
aprendizaje automático para detectar y clasificar las
lesiones de manera precisa.
Alzubaidi et al. (2022)
Carcinoma
invasivo
Se considera que las lesiones de Carcinoma invasivo
conlleva una complejidad considerable debido a la
naturaleza agresiva y heterogénea de la enfermedad.
Para lo cual requiere técnicas avanzadas de
procesamiento de imágenes y aprendizaje automático
Huanatico-Lipa, J. C. & Coral-Ygnacio, M. A.
14 Rev. Cient. Sist. Inform. 4(1): e590; (Ene-Jun, 2024). e-ISSN: 2709-992X
para la detección, caracterización y clasificación
precisas de las lesiones.
Abbas et al. (2021)
Melanoma Acral
(MA)
Se considera que las lesiones del Melanoma Acral
(MA) presentan una complejidad alta debido a las
características únicas de esta forma de melanoma.
Por lo que requiere técnicas de procesamiento de
imágenes y aprendizaje automático para la detección
y caracterización precisas de las lesiones.
Jiji et al. (2021)
Psoriasis
Se considera que las lesiones de la Psoriasis
presentan cierta complejidad debido a la naturaleza
crónica y variable de las lesiones. Debido a ello,
requiere técnicas de procesamiento de imágenes para
la detección y clasificación precisa de las lesiones.
Quero-Caiza & Altuve (2021)
Nevus atípico
Se considera que las lesiones de Nevus atípico tienen
una complejidad alta debido a su naturaleza variable
y potencialmente preocupante. Estos lunares
presentan características inusuales y pueden tener un
mayor riesgo de convertirse en melanoma. Por lo que,
es necesario contar con un conjunto de datos
anotados que incluya casos de nevus atípicos y
melanoma, y validar el modelo utilizando datos
independientes y la opinión de dermatólogos
expertos.
Back et al. (2021)
Herpes zóster
(HZ)
Se considera que las lesiones de Herpes Zoster (HZ)
presentan una complejidad alta debido a las
características variables de esta enfermedad. Por lo
que requiere técnicas de procesamiento de imágenes
para detectar y caracterizar las lesiones cutáneas, así
como la identificación de patrones y la evaluación de
la gravedad.
CONCLUSIONES
Se identifican 7 librerías de software para el AID, lo cual evidencia que existen tecnologías disponibles en
este campo. No obstante, a pesar de que estas tecnologías están documentadas, no hay muchas iniciativas
para desarrollar estándares en este rubro, a nivel general se tienen librerías gráficas que son utilizadas en
análisis de datos, reconocimientos de patrones, reconocimiento facial, reconocimiento de objetos, etc., pero
pocas trabajan directamente sobre el análisis dermatológico, esto puede deberse a la estructura no
homogénea de las lesiones en la piel y los distintos tonos existentes, lo cual representa un reto significativo
para crear el modelo computacional correcto. Con respecto a las lesiones, se identificaron 13, permitiendo
inferir que existe una variedad de trastornos en la piel que requieren atención. La detección temprana de
estas lesiones adquiere importancia significativa con el fin de mitigar las consecuencias y síntomas de su
implicación.
Respecto a las librerías utilizadas se identifica que la de mayor rendimiento es Pytorch, ya que demostró
un alto aporte en la construcción y entrenamiento de modelos de inteligencia artificial. Sin embargo, posee
una curva de aprendizaje muy alta, por lo que exige tener conocimientos previos de estructura de datos y
gráficos dinámicos para su aplicación. Con relación a las lesiones, se observó que el Melanoma es el que
mayor complejidad genera al ser evaluadas por visión computacional. A pesar de que la integración de
técnicas de análisis computacional apoya en su identificación, el juicio clínico sigue siendo crucial, debido
a la diversidad de factores que pueden presentar las lesiones de la piel en diferentes contextos.
La revisión revela que existen herramientas informáticas robustas para las implementaciones de sistemas
AID que permiten la identificación y clasificación de trastornos de la piel mediante el análisis de imágenes
dermatológicas, sin embargo, existen otras aplicaciones que se podrían implementar con relación al
análisis dermatológico. Una recomendación para futuras investigaciones sería la de integrar herramientas
Huanatico-Lipa, J. C. & Coral-Ygnacio, M. A.
15 Rev. Cient. Sist. Inform. 4(1): e590; (Ene-Jun, 2024). e-ISSN: 2709-992X
IoT en el proceso de análisis de modo que posibilite la transmisión de información entre dispositivos
remotos dando lugar a la Telemedicina. Otra línea de investigación podría centrarse en la exploración de
diversas herramientas Cloud que permita realizar análisis más escalables debido a la gran cantidad de
centros de salud que brindan servicios de atención a diversos pacientes.
FINANCIAMIENTO
El autor no recibió patrocinio para llevar a cabo este estudio-artículo.
CONFLICTO DE INTERESES
No existe ningún tipo de conflicto de interés relacionado con la materia del trabajo.
CONTRIBUCIÓN DE LOS AUTORES
Conceptualización, curación de datos, análisis formal, adquisición de fondos, investigación, administración
del proyecto, software, supervisión, validación, visualización, redacción -borrador original y redacción -
revisión y edición: Huanatico-Lipa, J. C. y Coral-Ygnacio, M.
REFERENCIAS BIBLIOGRÁFICAS
Abbas, Q., Ramzan, F., & Ghani, M. U. (2021). Acral melanoma detection using dermoscopic images and
convolutional neural networks. Visual Computing for Industry, Biomedicine, and Art, 4(1).
https://doi.org/10.1186/s42492-021-00091-z
Abdar, M., Samami, M., Dehghani Mahmoodabad, S., Doan, T., Mazoure, B., Hashemifesharaki, R., Liu, L.,
Khosravi, A., Acharya, U. R., Makarenkov, V., & Nahavandi, S. (2021). Uncertainty quantification in
skin cancer classification using three-way decision-based Bayesian deep learning. Computers in
Biology and Medicine, 135(April), 104418. https://doi.org/10.1016/j.compbiomed.2021.104418
Aladhadh, S., Alsanea, M., Aloraini, M., Khan, T., Habib, S., & Islam, M. (2022). An Effective Skin Cancer
Classification Mechanism via Medical Vision Transformer. Sensors, 22(11).
https://doi.org/10.3390/s22114008
Albraikan, A. A., Nemri, N., Alkhonaini, M. A., Hilal, A. M., Yaseen, I., & Motwakel, A. (2023). Automated
Deep Learning Based Melanoma Detection and Classification Using Biomedical Dermoscopic Images.
Computers, Materials and Continua, 74(2), 2443–2459. https://doi.org/10.32604/cmc.2023.026379
Alcantud Marín, F., Alonso Esteban, Y., & Rico Bañón, D. (2015). Herramientas de cribado para la
detección de retrasos o trastornos en el desarrollo: Una revisión sistemática de la literatura. Revista
Española De Discapacidad, 3(2), 7–26.
https://www.cedid.es/redis/index.php/redis/article/view/189
Alzubaidi, L., Fadhel, M. A., Al-Shamma, O., Zhang, J., Santamaría, J., & Duan, Y. (2022). Robust application
of new deep learning tools: an experimental study in medical imaging. Multimedia Tools and
Applications, 81(10), 13289–13317. https://doi.org/10.1007/s11042-021-10942-9
Ashtari, P., Sima, D. M., De Lathauwer, L., Sappey-Marinier, D., Maes, F., & Van Huffel, S. (2023). Factorizer:
A scalable interpretable approach to context modeling for medical image segmentation. Medical
Image Analysis, 84(February 2022), 102706. https://doi.org/10.1016/j.media.2022.102706
Back, S., Lee, S., Shin, S., Yu, Y., Yuk, T., Jong, S., Ryu, S., & Lee, K. (2021). Robust Skin Disease Classification
by Distilling Deep Neural Network Ensemble for the Mobile Diagnosis of Herpes Zoster. IEEE Access,
9, 20156–20169. https://doi.org/10.1109/ACCESS.2021.3054403
Bala, D., Hossain, M. S., Hossain, M. A., Abdullah, M. I., Rahman, M. M., Manavalan, B., Gu, N., Islam, M. S., &
Huanatico-Lipa, J. C. & Coral-Ygnacio, M. A.
16 Rev. Cient. Sist. Inform. 4(1): e590; (Ene-Jun, 2024). e-ISSN: 2709-992X
Huang, Z. (2023). MonkeyNet: A robust deep convolutional neural network for monkeypox disease
detection and classification. Neural Networks, 161, 757–775.
https://doi.org/10.1016/j.neunet.2023.02.022
Bibi, A., Khan, M. A., Javed, M. Y., Tariq, U., Kang, B. G., Nam, Y., Mostafa, R. R., & Sakr, R. H. (2022). Skin
lesion segmentation and classification using conventional and deep learning based framework.
Computers, Materials and Continua, 71(2), 2477–2495. https://doi.org/10.32604/cmc.2022.018917
Bing, S., Chawang, K., & Chiao, J.-C. (2023). A Tuned Microwave Resonant System for Subcutaneous
Imaging. Sensors, 23(6), 3090. https://doi.org/10.3390/s23063090
Caballé, N., Castillo, J. L., Gómez, J. A., Gómez, J. M., & Polo, M. (2020). Machine Learning Applied to
Diagnosis of Human Diseases : A Systematic Review. Applied Sciences, 1–27.
https://doi.org/10.3390/app10155135
Cai, Y., Chen, H., Yang, X., Zhou, Y., & Cheng, K.-T. (2023). Dual-distribution discrepancy with self-
supervised refinement for anomaly detection in medical images. Medical Image Analysis, 86, 102794.
https://doi.org/10.1016/j.media.2023.102794
Cañedo, R., Rodriguez, R., & Marilis, M. (2010). Scopus : The largest database of peer-reviewed scientific
literature available to underdeveloped countries Scopus : la mayor base de datos de literatura
científica arbitrada al alcance de los países subdesarrollados Scopus : The largest database of peer-r.
ACIMED, February 2016.
Cano, E., Mendoza-Avilés, J., Areiza, M., Guerra, N., Mendoza-Valdés, J. L., & Rovetto, C. A. (2021). Multi
Skin Lesions Classification using Fine-tuning and Data-augmentation Applying Nasnet. PeerJ
Computer Science, 7(Mcc), 1–20. https://doi.org/10.7717/PEERJ-CS.371
Choudhary, P., Singhai, J., & Yadav, J. S. (2021). Curvelet and fast marching method-based technique for
efficient artifact detection and removal in dermoscopic images. International Journal of Imaging
Systems and Technology, 31(4), 2334–2345. https://doi.org/10.1002/ima.22633
Cui, R., Yang, R., Liu, F., & Geng, H. (2023). HD2A-Net: A novel dual gated attention network using
comprehensive hybrid dilated convolutions for medical image segmentation. Computers in Biology
and Medicine, 152(November 2022), 106384. https://doi.org/10.1016/j.compbiomed.2022.106384
Decharatanachart, P., Chaiteerakij, R., Tiyarattanachai, T., & Treeprasertsuk, S. (2021). Application of
artificial intelligence in chronic liver diseases : a systematic review and meta ‑ analysis. BMC
Gastroenterology, 1–16. https://doi.org/10.1186/s12876-020-01585-5
Deng, Q., Beltran, J. C. C., & Lee, D. H. (2021). Assessment of Segmentation Impact on Melanoma
Classification Using Convolutional Neural Networks. Journal of Computing Science and Engineering,
15(3), 115–124. https://doi.org/10.5626/JCSE.2021.15.3.115
Gálvez, A., Iglesias, A., Fister, I., Otero, C., & Díaz, J. A. (2021). NURBS functional network approach for
automatic image segmentation of macroscopic medical images in melanoma detection. Journal of
Computational Science, 56(April). https://doi.org/10.1016/j.jocs.2021.101481
Gu, R., Wang, G., Song, T., Huang, R., Aertsen, M., Deprest, J., Ourselin, S., Vercauteren, T., & Zhang, S.
(2021). CA-Net: Comprehensive Attention Convolutional Neural Networks for Explainable Medical
Image Segmentation. IEEE Transactions on Medical Imaging, 40(2), 699–711.
https://doi.org/10.1109/TMI.2020.3035253
Han, Z., Huang, H., Lu, D., Fan, Q., Ma, C., Chen, X., Gu, Q., & Chen, Q. (2023). One-stage and lightweight CNN
detection approach with attention: Application to WBC detection of microscopic images. Computers
in Biology and Medicine, 154(October 2022), 106606.
Huanatico-Lipa, J. C. & Coral-Ygnacio, M. A.
17 Rev. Cient. Sist. Inform. 4(1): e590; (Ene-Jun, 2024). e-ISSN: 2709-992X
https://doi.org/10.1016/j.compbiomed.2023.106606
He, S., Feng, Y., Grant, P. E., & Ou, Y. (2023). Segmentation ability map: Interpret deep features for medical
image segmentation. Medical Image Analysis, 84(December 2022), 102726.
https://doi.org/10.1016/j.media.2022.102726
Islam, M. M., Yang, H. C., Poly, T. N., Jian, W. S., & (Jack) Li, Y. C. (2020). Deep learning algorithms for
detection of diabetic retinopathy in retinal fundus photographs: A systematic review and meta-
analysis. Computer Methods and Programs in Biomedicine, 191, 1–16.
https://doi.org/10.1016/j.cmpb.2020.105320
Jaisakthi, S. M., Mirunalini, P., Aravindan, C., & Appavu, R. (2022). Classification of skin cancer from
dermoscopic images using deep neural network architectures. Multimedia Tools and Applications,
15763–15778. https://doi.org/10.1007/s11042-022-13847-3
Jiji, G. W., Rajesh, A., & Raj, P. J. D. (2021). CBI + R: A Fusion Approach to Assist Dermatological Diagnoses.
International Journal of Image and Graphics, 21(1). https://doi.org/10.1142/S0219467821500054
Karri, M., Annavarapu, C. S. R., & Acharya, U. R. (2023). Skin lesion segmentation using two-phase cross-
domain transfer learning framework. Computer Methods and Programs in Biomedicine, 231.
https://doi.org/10.1016/j.cmpb.2023.107408
Kosgiker, G. M., Deshpande, A., & Kauser, A. (2021). SegCaps: An efficient SegCaps network-based skin
lesion segmentation in dermoscopic images. International Journal of Imaging Systems and
Technology, 31(2), 874–894. https://doi.org/10.1002/ima.22545
Kumar, K. S., Suganthi, N., Muppidi, S., & Kumar, B. S. (2022). FSPBO-DQN: SeGAN based segmentation and
Fractional Student Psychology Optimization enabled Deep Q Network for skin cancer detection in
IoT applications. Artificial Intelligence in Medicine, 129(October 2021), 102299.
https://doi.org/10.1016/j.artmed.2022.102299
La Salvia, M., Torti, E., Leon, R., Fabelo, H., Ortega, S., Martinez-Vega, B., Callico, G. M., & Leporati, F. (2022).
Deep Convolutional Generative Adversarial Networks to Enhance Artificial Intelligence in
Healthcare: A Skin Cancer Application. Sensors, 22(16). https://doi.org/10.3390/s22166145
Lai, H., Fu, S., Zhang, J., Cao, J., Feng, Q., Lu, L., & Huang, M. (2022). Prior Knowledge-Aware Fusion
Network for Prediction of Macrovascular Invasion in Hepatocellular Carcinoma. IEEE Transactions
on Medical Imaging, 41(10), 2644–2657. https://doi.org/10.1109/TMI.2022.3167788
Lan, Z., Cai, S., He, X., & Wen, X. (2022). FixCaps: An Improved Capsules Network for Diagnosis of Skin
Cancer. IEEE Access, 10(May), 76261–76267. https://doi.org/10.1109/ACCESS.2022.3181225
Lei, J., Yang, G., Wang, S., Feng, Z., & Liang, R. (2023). Category-aware feature attribution for Self-
Optimizing medical image classification. Displays, 77(February), 102397.
https://doi.org/10.1016/j.displa.2023.102397
Li, S., Xie, Y., Wang, G., Zhang, L., & Zhou, W. (2022). Attention guided discriminative feature learning and
adaptive fusion for grading hepatocellular carcinoma with Contrast-enhanced MR. Computerized
Medical Imaging and Graphics, 97(February), 102050.
https://doi.org/10.1016/j.compmedimag.2022.102050
Liberati, A., Altman, D. G., Tetzlaff, J., Mulrow, C., Gøtzsche, P. C., Ioannidis, J. P. A., Clarke, M., Devereaux, P.
J., Kleijnen, J., & Moher, D. (2009). The PRISMA statement for reporting systematic reviews and
meta-analyses of studies that evaluate health care interventions: explanation and elaboration. In
Journal of clinical epidemiology (Vol. 62, Issue 10). https://doi.org/10.1016/j.jclinepi.2009.06.006
Liu, Z., Xiong, R., & Jiang, T. (2023). CI-Net: Clinical-Inspired Network for Automated Skin Lesion
Huanatico-Lipa, J. C. & Coral-Ygnacio, M. A.
18 Rev. Cient. Sist. Inform. 4(1): e590; (Ene-Jun, 2024). e-ISSN: 2709-992X
Recognition. IEEE Transactions on Medical Imaging, 42(3), 619–632.
https://doi.org/10.1109/TMI.2022.3215547
Lou, A., Guan, S., & Loew, M. (2023). CFPNet-M: A light-weight encoder-decoder based network for
multimodal biomedical image real-time segmentation. Computers in Biology and Medicine,
154(December 2022), 106579. https://doi.org/10.1016/j.compbiomed.2023.106579
Mansour, R. F., Althubiti, S. A., & Alenezi, F. (2022). Computer Vision with Machine Learning Enabled Skin
Lesion Classification Model. Computers, Materials and Continua, 73(1), 849–864.
https://doi.org/10.32604/cmc.2022.029265
Maqsood, S., & Damaševičius, R. (2023). Multiclass skin lesion localization and classification using deep
learning based features fusion and selection framework for smart healthcare. Neural Networks, 160,
238–258. https://doi.org/10.1016/j.neunet.2023.01.022
Morgado, A. C., Andrade, C., Teixeira, L. F., & Vasconcelos, M. J. M. (2021). Incremental learning for
dermatological imaging modality classification. Journal of Imaging, 7(9).
https://doi.org/10.3390/jimaging7090180
Nawaz, M., Masood, M., Javed, A., Iqbal, J., Nazir, T., Mehmood, A., & Ashraf, R. (2021). Melanoma
localization and classification through faster region-based convolutional neural network and SVM.
Multimedia Tools and Applications, 80(19), 28953–28974. https://doi.org/10.1007/s11042-021-
11120-7
Nguyen, D. M. H., Nguyen, T. T., Vu, H., Pham, Q., Nguyen, M. D., Nguyen, B. T., & Sonntag, D. (2022). TATL:
Task agnostic transfer learning for skin attributes detection. Medical Image Analysis, 78, 102359.
https://doi.org/10.1016/j.media.2022.102359
Palacios, D., & Díaz, A. (2017). Dermatoscopia para principiantes ( i ): características generales. Medicina
de Familia SEMERGEN, 43(3), 216–221. https://doi.org/10.1016/j.semerg.2015.11.009
Pereira, P. M. M., Thomaz, L. A., Tavora, L. M. N., Assuncao, P. A. A., Fonseca-Pinto, R. M., Paiva, R. P., &
Faria, S. M. M. d. (2022). Melanoma classification using light-Fields with morlet scattering transform
and CNN: Surface depth as a valuable tool to increase detection rate. Medical Image Analysis, 75,
102254. https://doi.org/10.1016/j.media.2021.102254
Phan, D. T., Ta, Q. B., Ly, C. D., Nguyen, C. H., Park, S., Choi, J., Se, H. O., & Oh, J. (2023). Smart Low Level
Laser Therapy System for Automatic Facial Dermatological Disorder Diagnosis. IEEE Journal of
Biomedical and Health Informatics, 27(3), 1546–1557. https://doi.org/10.1109/jbhi.2023.3237875
Qiu, S., Li, C., Feng, Y., Zuo, S., Liang, H., & Xu, A. (2023). GFANet: Gated Fusion Attention Network for skin
lesion segmentation. Computers in Biology and Medicine, 155(December 2022).
https://doi.org/10.1016/j.compbiomed.2022.106462
Quero-Caiza, W., & Altuve, M. (2021). Recognition of Skin Lesions in Dermoscopic Images using Local
Binary Patterns and Multinomial Logistic Regression. IEEE Latin America Transactions, 20(7), 2020–
2028. https://doi.org/10.1109/TLA.2021.9827475
Szolga, L., Bozga, D., & Florea, C. (2001). End-User Skin Analysis (Moles) through Image Acquisition and
Processing System. Sensors, 20, 9–11.
Thurnhofer-Hemsi, K., Lopez-Rubio, E., Dominguez, E., & Elizondo, D. A. (2021). Skin lesion classification
by ensembles of deep convolutional networks and regularly spaced shifting. IEEE Access, 9, 112193–
112205. https://doi.org/10.1109/ACCESS.2021.3103410
Wang, K., Zhang, X., Lu, Y., Zhang, W., Huang, S., & Yang, D. (2023). GSAL: Geometric structure adversarial
learning for robust medical image segmentation. Pattern Recognition, 140, 109596.
Huanatico-Lipa, J. C. & Coral-Ygnacio, M. A.
19 Rev. Cient. Sist. Inform. 4(1): e590; (Ene-Jun, 2024). e-ISSN: 2709-992X
https://doi.org/10.1016/j.patcog.2023.109596
Wei zhu, Liu, L., Kuang, F., Li, L., Xu, S., & Liang, Y. (2022). An efficient multi-threshold image segmentation
for skin cancer using boosting whale optimizer. Computers in Biology and Medicine, 151(PA),
106227. https://doi.org/10.1016/j.compbiomed.2022.106227
Wu, H., Pan, J., Li, Z., Wen, Z., & Qin, J. (2021). Automated Skin Lesion Segmentation Via an Adaptive Dual
Attention Module. IEEE Transactions on Medical Imaging, 40(1), 357–370.
https://doi.org/10.1109/TMI.2020.3027341
Wu, Yang, H., Peng, L., Lian, Z., Li, M., Qu, G., Jiang, S., & Han, Y. (2022). AGNet: Automatic generation
network for skin imaging reports. Computers in Biology and Medicine, 141(June 2021), 105037.
https://doi.org/10.1016/j.compbiomed.2021.105037
Yang, C., & Lu, G. M. (2022). Skin Lesion Segmentation with Codec Structure Based Upper and Lower
Layer Feature Fusion Mechanism. KSII Transactions on Internet and Information Systems, 16(1), 60–
79. https://doi.org/10.3837/tiis.2022.01.004
Yao, P., Shen, S., Xu, M., Liu, P., Zhang, F., Xing, J., Shao, P., Kaffenberger, B., & Xu, R. X. (2022). Single Model
Deep Learning on Imbalanced Small Datasets for Skin Lesion Classification. IEEE Transactions on
Medical Imaging, 41(5), 1242–1254. https://doi.org/10.1109/TMI.2021.3136682
Yilmaz, E., & Trocan, M. (2021). A modified version of GoogLeNet for melanoma diagnosis. Journal of
Information and Telecommunication, 5(3), 395–405.
https://doi.org/10.1080/24751839.2021.1893495
Zaid, M., Ali, S., Ali, M., Hussein, S., Saadia, A., & Sultani, W. (2022). Identifying out of distribution samples
for skin cancer and malaria images. Biomedical Signal Processing and Control, 78(May), 103882.
https://doi.org/10.1016/j.bspc.2022.103882
Zhang, J., Liu, Y., Wu, Q., Wang, Y., Liu, Y., Xu, X., & Song, B. (2022). SWTRU: Star-shaped Window
Transformer Reinforced U-Net for medical image segmentation. Computers in Biology and Medicine,
150(August), 105954. https://doi.org/10.1016/j.compbiomed.2022.105954
Zhao, D., Qi, A., Yu, F., Heidari, A. A., Chen, H., & Li, Y. (2023). Multi-strategy ant colony optimization for
multi-level image segmentation: Case study of melanoma. Biomedical Signal Processing and Control,
83(February), 104647. https://doi.org/10.1016/j.bspc.2023.104647
Zhao, H., Wang, A., & Zhang, C. (2022). Research on melanoma image segmentation by incorporating
medical prior knowledge. PeerJ Computer Science, 8. https://doi.org/10.7717/PEERJ-CS.1122
