Detección de nivel de Fotodaño por medio de inteligencia artificial en rostros usando luz ultra violeta para tratamiento con medicina regenerativa

Roberto Contrera Masse; Ana Silvia Moheno Contreras; Alberto Ochoa Zezzatti; Esteban Manuel Guevara Galván; César Alejandro Romero Hernández

doi:10.61273/neyart.v2i4.81

Autores/as

Roberto Contrera Masse Tecnológico Nacional de México https://orcid.org/0000-0001-9030-2456
Ana Silvia Moheno Contreras Universidad Autónoma de Ciudad Juárez https://orcid.org/0009-0009-1107-1326
Alberto Ochoa Zezzatti Universidad Autónoma de Ciudad Juárez https://orcid.org/0000-0002-9183-6086
Esteban Manuel Guevara Galván Tecnológico Nacional de México https://orcid.org/0009-0002-3050-6697
César Alejandro Romero Hernández Tecnológico Nacional de México https://orcid.org/0009-0001-4505-9079

DOI:

https://doi.org/10.61273/neyart.v2i4.81

Palabras clave:

Inteligencia artificial, Clustering, Toma de decisiones, Machine Learning, K-means

Resumen

Esta investigación busca desarrollar una herramienta de trabajo que ayude en la detección del daño fotosolar aplicando inteligencia artificial. La metodología abarca desde la adquisición de la imagen digital, los elementos necesarios para crear el ambiente propicio con la luz UV y la creación de una interfaz gráfica que facilite el uso de esta investigación a personas que no están familiarizadas con inteligencia artificial o lenguajes de programación. Durante la ejecución de pruebas se encuentran nuevos problemas que al aplicar otras técnicas de aprendizaje automático no supervisado son resueltos favorablemente.

Descargas

Los datos de descargas todavía no están disponibles.

Métricas

Cargando métricas ...

Citas

Amit, Y ., Felzenszwalb, P., y Girshick, R. (2021). Object detection. En Computer vision: A reference guide (pp. 875–883). Springer. DOI: https://doi.org/10.1007/978-3-030-63416-2_660

Basilio, J. A. M., Torres, G. A., Sánchez, G., Pérez, K. T. M., y Meana, H. M. P. (s.f.). Novedosa técnica para la detección de imágenes pornográficas empleando modelos de color hsv y ycbcr novel method for pornographic image detection using hsv and ycbcr color models.

Benedikt, R. A., Boatsman, J. E., Swann, C. A., Kirkpatrick, A. D., y Toledano, A. Y. (2018). Concurrent computer-aided detection improves reading time of digital breast tomosynthesis and maintains interpretation performance in a multireader multicase study. American Journal of Roentgenology ,210(3), 685–694. DOI: https://doi.org/10.2214/AJR.17.18185

Bostan, E., y Cakir, A. (2023). The dermoscopic characteristics of melasma in relation to different skin phototypes, distribution patterns and wood lamp findings: a cross-sectional study of 236 melasma lesions. Archives of Dermatological Research , 1–12. DOI: https://doi.org/10.1007/s00403-023-02584-8

Das, K., Cockerell, C. J., Patil, A., Pietkiewicz, P., Giulini, M., Grabbe, S., y Goldust, M. (2021). Machine learning and its application in skin cancer. International Journal of Environmental Research and Public Health, 18(24), 13409. DOI: https://doi.org/10.3390/ijerph182413409

Girshick, R., Donahue, J., Darrell, T., y Malik, J. (2014). Rich feature hierarchies for accurate object detection and semantic segmentation. DOI: https://doi.org/10.1109/CVPR.2014.81

Gromkowska-K˛ epka, K. J., Pu ´scion-Jakubik, A., Markiewicz- ˙Zukowska, R., y Socha, K. (2021). The impact of ultraviolet radiation on skin photoaging—review of in vitro studies. Journal of cosmetic dermatology ,20(11), 3427–3431. DOI: https://doi.org/10.1111/jocd.14033

Heras, D. (2017). Fruit image classifier based on artificial intelligence. Revista Killkana Técnica ,1(2), 21–30. DOI: https://doi.org/10.26871/killkana_tecnica.v1i2.79

Huang, A. H., y Chien, A. L. (2020). Photoaging: a review of current literature. Current Dermatology Reports ,9, 22–29. DOI: https://doi.org/10.1007/s13671-020-00288-0

Kania, B., Montecinos, K., y Goldberg, D. J. (2024). Artificial intelligence in cosmetic dermatology. Journal of Cosmetic Dermatology, 23(10), 3305–3311. DOI: https://doi.org/10.1111/jocd.16538

Kulkarni, S., Seneviratne, N., Baig, M. S., y Khan, A. H. A. (2020). Artificial intelligence in medicine: where are we now? Academic radiology ,27(1), 62–70. DOI: https://doi.org/10.1016/j.acra.2019.10.001

Kumar, A., Kaur, A., y Kumar, M. (2019). Face detection techniques: a review. Artificial Intelligence Review ,52, 927–948. DOI: https://doi.org/10.1007/s10462-018-9650-2

Li, Z., Koban, K. C., Schenck, T. L., Giunta, R. E., Li, Q., y Sun, Y . (2022). Artificial intelligence in dermatology image analysis: current developments and future trends. Journal of Clinical Medicine ,11(22), 6826. DOI: https://doi.org/10.3390/jcm11226826

Nosrati, H., y Nosrati, M. (2023). Artificial intelligence in regenerative medicine: applications and implications. Biomimetics, 8(5), 442. DOI: https://doi.org/10.3390/biomimetics8050442

Parisi, M., Verrillo, M., Luciano, M. A., Caiazzo, G., Quaranta, M., Scognamiglio, F., . . . others (2023). Use of natural agents and agrifood wastes for the treatment of skin photoaging. Plants ,12(4), 840. DOI: https://doi.org/10.3390/plants12040840

Yu, J., Yang, B., Wang, J., Leader, J., Wilson, D., y Pu, J. (2020). 2d cnn versus 3d cnn for false-positive reduction in lung cancer screening. Journal of Medical Imaging ,7(5), 051202–051202. DOI: https://doi.org/10.1117/1.JMI.7.5.051202