Look-up in Google Scholar
Title: Sistema de reconocimiento de imágenes para el soporte de diagnóstico de neumonía en centros hospitalarios usando redes neuronales
Other Titles: Image Recognition System for Pneumonia Diagnosis Support in Healthcare Centers Using Neural Networks
OCDE field: https://purl.org/pe-repo/ocde/ford#2.02.04; https://purl.org/pe-repo/ocde/ford#2.00.00
Issue Date: 22-Nov-2024
Institution: Universidad Peruana de Ciencias Aplicadas (UPC)
Abstract: La neumonía sigue siendo una de las principales causas de mortalidad, afectando en especial a niños y personas mayores. Un diagnóstico temprano y preciso es crucial para un tratamiento efectivo, pero muchos centros de salud enfrentan limitaciones en cuanto a recursos y personal especializado. Este proyecto presenta un sistema de reconocimiento de imágenes diseñado para apoyar el diagnóstico de neumonía en centros de salud con infraestructura tecnológica limitada. El sistema emplea un modelo de red neuronal convolucional (CNN), de forma específica la arquitectura Inception V3, que fue entrenado con un dataset compuesto por 5,215 imágenes de radiografías torácicas (1,341 normales y 3,874 con neumonía), y validado con un conjunto independiente de 624 imágenes (234 normales y 390 con neumonía). El modelo demostró una tasa de precisión del 90.71% al distinguir casos de neumonía de casos normales. La validación del proyecto se realizó mediante indicadores de éxito específicos, incluyendo la aprobación del análisis de imágenes y algoritmos por expertos, la validación de la arquitectura del sistema, y pruebas de control de calidad (QA), alcanzando un Alfa de Cronbach superior a 0.8. Al integrar la inteligencia artificial en el proceso de diagnóstico, la solución propuesta busca mejorar la precisión diagnóstica, reducir el tiempo de evaluación y optimizar la asignación de recursos en entornos de salud. Este proyecto contribuye a mejorar el diagnóstico de la neumonía en entornos con recursos limitados y destaca el potencial de las herramientas impulsadas por IA para avanzar en los diagnósticos médicos.

Pneumonia remains one of the leading causes of mortality, particularly affecting children and elderly people. Early and accurate diagnosis is crucial for effective treatment, but many healthcare centers face limitations in terms of resources and specialized personnel. This research presents an image recognition system designed to support pneumonia diagnosis in healthcare centers with limited technological infrastructure. The system employs a convolutional neural network (CNN) model, specifically the Inception V3 architecture, which was trained using a dataset of 5,215 chest X-ray images (1,341 normal and 3,874 with pneumonia) and validated with an independent set of 624 images (234 normal and 390 with pneumonia). The model demonstrated an accuracy rate of 90.71% in distinguishing pneumonia cases from normal cases. Project validation was conducted through specific success indicators, including expert approval of image analysis and algorithms, system architecture validation, and quality assurance (QA) testing, achieving a Cronbach's Alpha greater than 0.8. By integrating artificial intelligence into the diagnostic process, the proposed solution aims to improve diagnostic accuracy, reduce evaluation time, and optimize resource allocation in healthcare settings. This study significantly contributes to enhancing pneumonia diagnosis in resource-limited environments and highlights the potential of AI-driven tools to advance medical diagnostics.
Discipline: Ingeniería de Sistemas
Grade or title grantor: Universidad Peruana de Ciencias Aplicadas (UPC). División de Estudios Profesionales para Ejecutivos (EPE)
Grade or title: Ingeniero de Sistemas
Juror: Coronado Gutierrez, Jaime Juniors; Burga Durango, Daniel Wilfredo
Register date: 3-Jan-2025



This item is licensed under a Creative Commons License Creative Commons