Evaluación mejorada de la calidad de imágenes dermatológicas mediante entrenamiento entre dominios
Estudio de calidad de imagen que combina conjuntos dermatológicos y generales para mejorar la robustez con pocos datos clínicos.
Enhanced Dermatology Image Quality Assessment via Cross-Domain Training
Authors
Ignacio Hernández Montilla, Alfonso Medela, Paola Pasquali, Andy Aguilar, Taig Mac Carthy, Gerardo Fernández, Antonio Martorell, Enrique Onieva.
Abstract
Reliable image-quality assessment is important when dermatology images are captured across different devices and settings. This work combines dermatology and non-dermatology image-quality datasets and introduces Legit.Health-DIQA-Artificial, assembled from several dermatology sources and annotated by human observers.
The experiments found that cross-domain training produced the best performance across domains and helped address the small scale and varied distortions of available dermatology data.
Publication
Published as a peer-reviewed conference paper in the proceedings of ICBRA 2025, pages 1-9.
Available at https://doi.org/10.1145/3774976.3774977.
Investigación relacionada
AEDV 2022: Algoritmo de aprendizaje profundo para la optimización del triaje
Algoritmo de aprendizaje profundo para optimizar el triaje y la derivación de pacientes con patologías cutáneas.
Leer publicaciónAEDV 2022: Cálculo automático de la urticaria con inteligencia artificial
Cálculo automático de la urticaria mediante inteligencia artificial para el recuento preciso de habones.
Leer publicaciónAEDV 2023: Validación de un algoritmo de deep learning para el diagnóstico de melanoma
Resultados del estudio de validación de un algoritmo de deep learning para el diagnóstico de melanoma.
Leer publicación¿Te interesa la IA médica?
Conoce Legit.Health y nuestro trabajo en inteligencia artificial dermatológica.
Explorar Legit.Health