Buscar en Google Scholar
Título: Diseño y aplicación de redes neuronales convolucionales para el diagnóstico de enfermedades pulmonares, a partir de radiografías de tórax frontal
Campo OCDE: https://purl.org/pe-repo/ocde/ford#2.02.00
Fecha de publicación: 2021
Institución: Universidad Ricardo Palma - URP
Resumen: El 11 de marzo de 2020 el COVID-19 fue declarado Pandemia por la OMS. Esta enfermedad infecciosa causada por el SARS-CoV-2 afecta al sistema respiratorio al igual que la Tuberculosis, este último según el informe de la OMS en el 2020 declara que los casos de TBC se incrementaron a nivel mundial a raíz de la pandemia del COVID-19. Por ello, se ha visto afectado el reconocimiento de dichas enfermedades puesto que ambas presentan síntomas similares. Este proyecto propone el diseño y aplicación de Redes Neuronales Convolucionales para el diagnóstico de enfermedades como el Covid-19 y Tuberculosis, a partir de radiografías de tórax frontal. Es así que, dos de los modelos de redes neuronales fueron InceptionV3 y VGG16, mientras que el tercero fue denominado Particular, y todos ellos fueron desarrollados en la interfaz de JupyterLab, mediante el lenguaje de programación Phyton, con las librerías de Tensorflow y Keras. En el caso de la red neuronal particular, estuvo conformada por 10 capas, la cual fue entrenada por 2535 imágenes de radiografías de tórax frontal (compuesta por Covid-19, Tuberculosis y Sanos), asimismo para el entrenamiento se usó la CPU y GPU del computador. Estas mismas imágenes se usaron para el entrenamiento de los modelos de Redes neuronales artificiales INCEPTION Y VGG16, para poder comparar y obtener la eficacia de la red particular, A las redes neuronales artificiales se les aplicó Transfer Learning para poder implementarlas y entrenarlas. Las métricas de evaluación para cada red fueron “Accuracy”, “Recall”, “F1-Score” y “General Precisión” para conocer la precisión y sensibilidad de la red particular a comparación de las otras mencionadas. Finalmente, la red neuronal convolucional particular obtuvo una precisión de 92.70% entrenada con la CPU, y 94.28% con la GPU, ambos valores totalmente aceptables para una red entrenada con 3 clases (Covid- 19, Tuberculosis y Sanos).
Disciplina académico-profesional: Ingeniería Electrónica
Institución que otorga el grado o título: Universidad Ricardo Palma. Facultad de Ingeniería. Escuela Profesional de Ingeniería Electrónica
Grado o título: Ingeniero Electrónico
Fecha de registro: 23-feb-2022



Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons Creative Commons