1. Repositorio Institucional del Tecnológico Nacional de México (RI - TecNM)
2. Tesis de Posgrado
3. Querétaro
4. Instituto Tecnológico de Querétaro
5. TESIS DE MAESTRÍA
6. MAESTRÍA EN INGENIERÍA

Title:	SEGMENTACIÓN SEMÁNTICA DE IMÁGENES DE MELANOMAS MEDIANTE CAPA CONVOLUCIONAL CHEBYSHEV
Authors:	GARCÍA RAMÍREZ, FERNADO
metadata.dc.subject.other:	Cáncer de piel; Coeficiente de Dice; Imágenes dermatoscópicas; IoU (Intersección sobre Unión); ISIC (International Skin Imaging Collaboration); Lesiones cutáneas; Melanoma; Ortogonalidad; Polinomios de Chebyshev; Propiedad minimax; Redes neuronales; Segmentación semántica; Sesgo y varianza; Sobreajuste (overfitting); U-Net.
Issue Date:	2026-07-02
Publisher:	Tecnológico Nacional de México
metadata.dc.publisher.tecnm:	Instituto Tecnológico de Querétaro
Description:	El cáncer de piel es el segundo más frecuente en México, donde el melanoma maligno presenta una mortalidad del 30% por detección tardía. La escasez de especialistas y la complejidad en la diferenciación visual de lesiones dificultan el diagnóstico oportuno. La segmentación semántica precisa de imágenes dermatoscópicas es determinante para evaluar criterios clínicos (asimetría, bordes, color) que condicionan el pronóstico del paciente. La presente investigación desarrolla un modelo de segmentación semántica basado en la arquitectura U-Net, integrando funciones de preprocesamiento fundamentadas en polinomios de Chebyshev en los bloques convolucionales. Los polinomios de Chebyshev poseen propiedades de ortogonalidad y minimización del error máximo (propiedad minimax) que facilitan la captura de variaciones sutiles en gradientes de bordes y texturas complejas. La hipótesis plantea que esta integración incrementará la estabilidad en la generalización del modelo, medida mediante el coeficiente de Intersección sobre Unión (IoU) y el coeficiente de Dice. La metodología comprende: (1) preprocesamiento del conjunto ISIC 2017 con 2,600 imágenes dermatoscópicas reescaladas a 512×512 píxeles; (2) implementación de la arquitectura Xception-Cheb incorporando polinomios de Chebyshev de grado K=3 con normalización al intervalo [-1,1]; (3) entrenamiento supervisado mediante optimizador Adam (500 épocas, lote de 8, tasa de aprendizaje 0.001); y (4) evaluación comparativa frente a arquitecturas de referencia (Xception, EfficientNet-b3, ResNet-18, MobileOne-s0). Los resultados experimentales evidencian que Xception-Cheb alcanzó un IoU de 0.7836 en prueba y 0.8777 en entrenamiento, con una diferencia de 0.0941 que representa la menor brecha observada entre las arquitecturas evaluadas, inferior a ResNet-18 (0.1126) y MobileOne-s0 (0.1048). Aunque el IoU absoluto resulta moderado frente a EfficientNet-b3 (0.9137), la estabilidad en la generalización demostrada constituye una ventaja estratégica en contextos clínicos donde la robustez y reproducibilidad son determinantes. Las conclusiones establecen que la incorporación de polinomios de Chebyshev como función de preprocesamiento mejora la estabilidad en la generalización y reduce el sobreajuste mediante una base funcional matemáticamente rigurosa. La arquitectura propuesta ofrece un equilibrio favorable entre precisión, estabilidad y fundamentación teórica, justificando su aplicación en sistemas de apoyo al diagnóstico clínico. Se identifican como líneas futuras la optimización mediante regularización avanzada, validación en bases independientes e integración con sistemas de diagnóstico asistido por computadora. La contribución principal radica en demostrar empíricamente que bases funcionales ortogonales pueden mejorar la estabilidad de arquitecturas convolucionales profundas, estableciendo un marco metodológico reproducible para segmentación biomédica que contribuya a reducir la mortalidad por melanoma en el sistema de salud mexicano.
metadata.dc.type:	info:eu-repo/semantics/masterThesis
Appears in Collections:	MAESTRÍA EN INGENIERÍA

This item is protected by original copyright View License

This item is licensed under a Creative Commons License