Evaluaci?n de modelos de redes neuronales convolucionales aplicado a radiograf?as de t?rax, para apoyar al proceso de diagn?stico de neumon?a asociada al Covid-19

Abstract

En marzo del presente a?o la OMS declar? como pandemia mundial al COVID-19. Esta enfermedad, causada por el nuevo coronavirus, afecta principalmente al sistema respiratorio ocasionando enfermedades graves como la neumon?a. Esta requiere para su diagn?stico la revisi?n y an?lisis de radiograf?as de t?rax, las cuales permiten evaluar el estado de los pulmones. Sin embargo, ante este contexto de pandemia, el tiempo empleado para detectar la enfermedad dificulta ofrecer un tratamiento temprano y oportuno al paciente. Por ello, este proyecto de tesis propuso la evaluaci?n de tres modelos de redes neuronales convolucionales aplicado a radiograf?as de t?rax, para apoyar al proceso de diagn?stico de neumon?a asociada al COVID-19, por medio de la clasificaci?n de im?genes. Esto permite contribuir en la reducci?n del tiempo que toma la labor de detecci?n de la enfermedad en radiograf?as de t?rax, adem?s de definir cu?l de los tres modelos es el m?s apto para dicha labor. Los modelos utilizados en este proyecto de tesis son un modelo de implementaci?n propia, ResNet50 e InceptionV3. Para la implementaci?n de estos dos ?ltimos se requiri? aplicar transfer learning. Adem?s, se aplic? data augmentation para conocer su utilidad e influencia en el proceso de entrenamiento de cada uno de los tres modelos. Se utiliz? un dataset compuesto por im?genes de radiograf?as de t?rax de casos positivos a COVID-19 y casos normales para el entrenamiento y validaci?n de los tres modelos. Finalmente, basado en los resultados obtenidos, el modelo m?s efectivo de los tres evaluados fue InceptionV3 con un 0.9886 de exactitud cuando se entren? con data augmentation y 0.9848 sin data augmentation.