Mostrar el registro sencillo del ítem
Sistema inteligente basado en deep learning para el diagnóstico de cáncer de próstata
dc.contributor.advisor | Villegas Cubas, Juan Elías | es_PE |
dc.contributor.author | Santamaria Santisteban, Jahir Santos | es_PE |
dc.contributor.author | Siesquen Valdivia, Luis Felipe | es_PE |
dc.date.accessioned | 2025-01-14T02:25:19Z | |
dc.date.available | 2025-01-14T02:25:19Z | |
dc.date.issued | 2024-11-21 | |
dc.identifier.citation | Santamaria, J., & Siesquen, L. F. (2024). Sistema inteligente basado en deep learning para el diagnóstico de cáncer de próstata [Tesis de ingeniería, Universidad Nacional Pedro Ruiz Gallo]. Repositorio Institucional UNPRG. | es_PE |
dc.identifier.uri | https://hdl.handle.net/20.500.12893/13896 | |
dc.description.abstract | La presente investigación aborda el problema del diagnóstico de cáncer de próstata, una de las principales causas de mortalidad en hombres a nivel mundial. El diagnóstico temprano de esta enfermedad es un desafío debido a la complejidad en la detección de signos tempranos y la falta de acceso a tecnologías avanzadas en muchas regiones. En respuesta a esta problemática, se desarrolló un sistema basado en Deep Learning que permite la identificación precisa de cáncer de próstata a través de imágenes histológicas. Este proyecto se fundamenta en técnicas de Deep Learning, específicamente en el uso de redes neuronales convolucionales, que han mostrado un rendimiento superior en la clasificación de imágenes médicas. Los modelos utilizados incluyen arquitecturas avanzadas como VGG16, VGG19 y ResNet50, siendo el modelo VGG19 el seleccionado debido a su alta precisión en la detección de imágenes con cáncer y sin cáncer. La metodología aplicada corresponde a una investigación aplicada con un enfoque cuantitativo. La población estuvo compuesta por un conjunto de imágenes de histología de próstata, y la muestra final utilizada para el entrenamiento del sistema fue de 13,827 imágenes, divididas en dos categorías: con cáncer y sin cáncer. Para la recolección de información se emplearon técnicas de análisis documental y observación. Como resultado, el sistema inteligente logró una precisión del 94.11% utilizando el modelo VGG19, lo cual representa un avance significativo en la capacidad de detección de cáncer de próstata a través de herramientas automatizadas. Este sistema tiene el potencial de convertirse en un soporte fundamental para los profesionales de la salud, optimizando los procesos de diagnóstico y contribuyendo a una atención más efectiva y oportuna. | es_PE |
dc.description.abstract | This research addresses the problem of prostate cancer diagnosis, one of the main causes of mortality in men worldwide. Early diagnosis of this disease is a challenge due to the complexity of detecting early signs and the lack of access to advanced technologies in many regions. In response to this problem, a system based on Deep Learning was developed that allows the accurate identification of prostate cancer through histological images. This project is based on Deep Learning techniques, specifically the use of convolutional neural networks, which have shown superior performance in the classification of medical images. The models used include advanced architectures such as VGG16, VGG19 and ResNet50, being the VGG19 model the selected one due to its high accuracy in detecting images with cancer and without cancer. The methodology applied corresponds to an applied research with a quantitative approach. The population was composed of a set of prostate histology images, and the final sample used for training the system was 13,827 images, divided into two categories: with cancer and without cancer. Documentary analysis and observation techniques were used for data collection. As a result, the intelligent system achieved an accuracy of 94.11% using the VGG19 model, which represents a significant advance in the ability to determine the accuracy of the system. | es_PE |
dc.format | application/pdf | es_PE |
dc.language.iso | spa | es_PE |
dc.publisher | Universidad Nacional Pedro Ruiz Gallo | es_PE |
dc.rights | info:eu-repo/semantics/openAccess | es_PE |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-sa/4.0/ | es_PE |
dc.source | Universidad Nacional Pedro Ruiz Gallo | es_PE |
dc.source | Repositorio Institucional - UNPRG | es_PE |
dc.subject | Cáncer de próstata | es_PE |
dc.subject | Deep Learning | es_PE |
dc.subject | Redes neuronales convolucionales | es_PE |
dc.subject | Prostate cancer | es_PE |
dc.subject | Convolutional neural networks | es_PE |
dc.title | Sistema inteligente basado en deep learning para el diagnóstico de cáncer de próstata | es_PE |
dc.type | info:eu-repo/semantics/bachelorThesis | es_PE |
thesis.degree.name | Ingeniero de Sistemas | es_PE |
thesis.degree.grantor | Universidad Nacional Pedro Ruiz Gallo - Facultad de Ingeniería Civil, Sistemas y Arquitectura | es_PE |
thesis.degree.discipline | Ingeniería de Sistemas | es_PE |
dc.type.version | info:eu-repo/semantics/draft | es_PE |
dc.publisher.country | PE | es_PE |
dc.subject.ocde | http://purl.org/pe-repo/ocde/ford#2.02.04 | es_PE |
renati.author.dni | 74245718 | |
renati.author.dni | 72314652 | |
renati.advisor.dni | 80103991 | |
renati.advisor.orcid | https://orcid.org/0000-0001-7026-9767 | es_PE |
renati.type | http://purl.org/pe-repo/renati/type#tesis | es_PE |
renati.level | http://purl.org/pe-repo/renati/nivel#tituloProfesional | es_PE |
renati.discipline | 612076 | es_PE |
renati.juror | Celi Arévalo, Ernesto Karlo | es_PE |
renati.juror | Otake Oyama, Luis Alberto | es_PE |
renati.juror | Arteaga Lora, Roberto Carlos | es_PE |
Ficheros en el ítem
Este ítem aparece en la(s) siguiente(s) colección(ones)
-
Ingeniería de Sistemas [151]