Reconocimiento de lesiones de Lupus en imágenes

Abstract

El Lupus Eritematoso Cutáneo (LEC) es una enfermedad heterogénea generalmente relacionada con el Lupus Eritematoso Sistémico (LES). Matus & Jiménez (2013), señalan que un promedio del 70 al 80 % de pacientes que padecen LES en algún momento de la enfermedad se ven afectados con algún subtipo de lesiones dermatológicas provocadas por el LEC las cuales afectan a la piel y la mucosa del cuerpo. Se estima que en México existen 20 casos por cada 100 mil habitantes, con una prevalencia del 90% en mujeres de entre 20 y 45 años.

Para detectar este tipo de lesiones en la piel se puede llegar a hacer uso de procedimientos invasivos al paciente que puede llegar a ser dolorosos o dejar cicatrices, además de que se requiere de un Médico Reumatólogo o un Dermatólogo especializado en reumatología. Por lo anterior, se trabajó en la clasificación del LEC, para apoyar al médico en la identificación entre dos variantes de este. Se implementaron Redes Neuronales Convolucionales (CNN, por sus siglas en inglés), para la clasificación Lupus Eritematoso Discoide (LED) y Lupus Eritematoso Subagudo (LECS). Se utilizaron imágenes proporcionadas por pacientes pertenecientes a la asociación civil El Despertar de la Mariposa AC - De frente al sol, también se recopilaron imágenes disponibles en The International Skin Imaging Collaboration (ISIC), DermNet NZ y Figure 1. Se aplicaron dos técnicas para la clasificación: 1) Aplicando una CNN con la que se hicieron pruebas con un conjunto de 650 imágenes, haciendo corridas de 50, 200 y 500 épocas. 2) Se aplicó la CNN añadiendo una Maquina de Soporte Vectorial (SVM, por sus siglas en inglés) con la que se hicieron pruebas con 650 imágenes haciendo corridas de 50, 200 y 500 épocas. Se llevó a cabo el entrenamiento y validación en donde se llevó a cabo la medición de la exactitud, precisión, sensibilidad, especificidad, f-score e índice kappa, en cada técnica. Finalmente se probaron ambas técnicas con imágenes nuevas que no fueron utilizadas en el conjunto de entrenamiento ni validación, en los resultados, se obtuvo un mejor resultado en la segunda técnica con imágenes de mayor tamaño donde se pudo observar una Exactitud del 92% y una Precisión del 100% para la CNN y una Exactitud de 99% y una Precisión del 100% para la CNN+SVM.