Preprocesamiento y análisis comparativo de imágenes dermatoscópicas de lesiones cutáneas benignas y malignas usando herramientas de Python
Date
2025
Type:
Article
item.page.extent
item.page.accessRights
Acceso Abierto
Authors
item.contributor.advisor
ORCID:
Journal Title
Journal ISSN
Volume Title
Publisher
item.page.isbn
item.page.issn
item.page.issne
item.page.doiurl
item.page.other
item.page.references
Abstract
Introducción: El diagnóstico temprano de cáncer de piel requiere bases de datos de calidad. Avances en IA mejoran precisión, pero aún enfrentan desafíos en almacenamiento, representación y evaluación objetiva de imágenes dermatológicas. Objetivo: Explorar la utilización de metodologías cuantitativas de procesamiento y análisis de imágenes digitales para categorizar lesiones cutáneas, evaluando la idoneidad de la base de datos para su uso en modelos de entrenamiento. Metodología: Investigación exploratoria y descriptiva en la que se recopilaron y procesaron imágenes dermatoscópicas de lesiones benignas y malignas, empleando técnicas de segmentación, extracción de características y análisis estadístico mediante el desarrollo de código ejecutable en Python y librerías especializadas. Resultado: Se evidencian diferencias entre las imágenes de lesiones benignas y malignas. Las lesiones benignas presentan valores más elevados y homogéneos en los canales de color rojo, verde y azul, así como un brillo promedio superior y un contraste menor. Las lesiones malignas muestran mayor variabilidad cromática, menor brillo, mayor contraste y una textura más compleja. Discusión: Los resultados coinciden con hallazgos previamente descritos en la literatura, donde se observaron diferencias significativas de contraste entre lesiones malignas vs benignas y presencia de mayor heterogeneidad cromática en imágenes malignas. Conclusión: los resultados obtenidos refuerzan la importancia del análisis cuantitativo y automatizado en la evaluación de imágenes médicas, aportando objetividad y reproducibilidad al análisis de datos complejos. La identificación de patrones diferenciadores en color y textura permite identificar tipos de lesiones.
Introduction: Early diagnosis of skin cancer requires high-quality databases. Advances in AI improve accuracy, but challenges remain in the storage, representation, and objective evaluation of dermatological images. Objective: To explore the use of quantitative digital image processing and analysis methodologies to categorize skin lesions, evaluating the suitability of the database for use in training models. Methodology: Exploratory and descriptive research in which dermatoscopic images of benign and malignant lesions were collected and processed, using segmentation techniques, feature extraction, and statistical analysis through the development of executable code in Python and specialized libraries. Result: Differences between images of benign and malignant lesions were evident. Benign lesions had higher and more homogeneous values in the red, green, and blue color channels, as well as higher average brightness and lower contrast. Malignant lesions show greater color variability, lower brightness, higher contrast, and a more complex texture. Discussion: The results are consistent with findings previously described in the literature, where significant differences in contrast between malignant and benign lesions and greater color heterogeneity in malignant images were observed. Conclusion: The results obtained reinforce the importance of quantitative and automated analysis in the evaluation of medical images, providing objectivity and reproducibility to the analysis of complex data. The identification of differentiating patterns
in color and texture allows the identification of lesion types.
Description
item.page.coverage.spatial
Santiago de Chile
item.page.sponsorship
Citation
López Salinas V. Preprocesamiento y análisis comparativo de imágenes dermatoscópicas de lesiones cutáneas benignas y malignas usando herramientas de Python. Rev. Conflu [Internet]. 29 de octubre de 2025 [citado 30 de octubre de 2025];8. Disponible en: https://revistas.udd.cl/index.php/confluencia/article/view/1368
Keywords
Cáncer de piel, Imágenes médicas, Diagnóstico por imagen, Aprendizaje automático, Skin cancer, Medical imaging, Diagnostic imaging, Machine learning