Bibliographic citations
This is an automatically generated citacion. Modify it if you see fit
Fernández, R., (2024). Modelos DEEP LEARNING para diagnóstico de COVID-19 con tomografías computarizadas de KAGGLE [Universidad Nacional del Santa]. https://hdl.handle.net/20.500.14278/4917
Fernández, R., Modelos DEEP LEARNING para diagnóstico de COVID-19 con tomografías computarizadas de KAGGLE []. PE: Universidad Nacional del Santa; 2024. https://hdl.handle.net/20.500.14278/4917
@phdthesis{renati/1273556,
title = "Modelos DEEP LEARNING para diagnóstico de COVID-19 con tomografías computarizadas de KAGGLE",
author = "Fernández Vásquez, Richard Fernando",
publisher = "Universidad Nacional del Santa",
year = "2024"
}
Title: Modelos DEEP LEARNING para diagnóstico de COVID-19 con tomografías computarizadas de KAGGLE
Authors(s): Fernández Vásquez, Richard Fernando
Advisor(s): Rubio Jacobo, Luis Alberto
Keywords: Covid-19; Tomografía computarizada; Deep Learning; Red Neuronal Convolucional; AlexNet; GoogLeNet
OCDE field: https://purl.org/pe-repo/ocde/ford#1.01.03
Issue Date: 13-Dec-2024
Institution: Universidad Nacional del Santa
Abstract: Las estadísticas de covid-19 reflejaron una gran preocupación a nivel mundial y
sobre todo en el Perú. Desde marzo del 2020, el brote de la enfermedad por
coronavirus empezó a causar muertes en el Perú frente a un sistema de salud
poco preparado para este tipo de situaciones, eso se vio reflejado en la limitación
de camas UCI disponibles. Frente a este contexto, el objetivo general de la
presente investigación fue determinar el modelo más adecuado de Deep
Learning haciendo uso de una arquitectura de Red Neuronal Convolucional para
el diagnóstico de covid-19 empleando tomografías computarizadas de Kaggle.
El método de investigación fue hipotético deductivo, con diseño no experimental,
transversal, descriptivo y correlacional. La técnica usada para la recolección de
datos fue documental, el instrumento fue la plataforma Kaggle y la base de datos
del conjunto de imágenes de tomografías computarizadas del tórax. La población
de la investigación estuvo conformada por las 15,235 imágenes de tomografías
computarizadas del tórax tomadas de la plataforma de datos abiertos de Kaggle,
sobre las cuales se determinaron una muestra de entrenamiento y una muestra
de validación, 80% y 20%, respectivamente. Se compararon los modelos de
Deep Learning de Red Neuronal Convolucional de AlexNet y GoogLeNet,
obteniéndose que el modelo más adecuado para el diagnóstico de covid-19
haciendo uso de tomografías computarizadas del tórax fue el modelo de
GoogLeNet, pues obtuvo un valor superior del área bajo la curva ROC de 0.97
Link to repository: https://hdl.handle.net/20.500.14278/4917
Discipline: Doctorado en Estadística Matemática
Grade or title grantor: Universidad Nacional del Santa. Escuela de posgrado
Grade or title: Doctor en Estadística Matemática
Juror: González Castro, Jeanette Baldramina; Calderón Yarlaqué, Luis Alberto; Rubio Jácobo, Luis Alberto
Register date: 20-Jan-2025
This item is licensed under a Creative Commons License