Look-up in Google Scholar
Full metadata record
Huaman? Navarrete, Pedro Freddy
Huaman? Navarrete, Pedro Freddy
Caya P?rez, Jhan Carlos
Caya P?rez, Jhan Carlos
2021-04-20T18:21:40Z
2021-04-20T18:21:40Z
2021-04-20T18:21:40Z
2021-04-20T18:21:40Z
2020
https://hdl.handle.net/20.500.14138/3523
https://hdl.handle.net/20.500.14138/3523
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. (es_ES)
Submitted by Hidalgo Alvarez Jofre (jhidalgoa@urp.edu.pe) on 2021-04-20T18:21:40Z No. of bitstreams: 1 ELEC-T030_46733086_T CAYA P?REZ JHAN CARLOS.pdf: 2823118 bytes, checksum: 57a199a3b75fbb29e74d2c7f55401b79 (MD5) (es_ES)
Made available in DSpace on 2021-04-20T18:21:40Z (GMT). No. of bitstreams: 1 ELEC-T030_46733086_T CAYA P?REZ JHAN CARLOS.pdf: 2823118 bytes, checksum: 57a199a3b75fbb29e74d2c7f55401b79 (MD5) Previous issue date: 2020 (es_ES)
Tesis (es_ES)
application/pdf
application/pdf
spa
spa
Universidad Ricardo Palma - URP (es_ES)
info:eu-repo/semantics/openAccess
info:eu-repo/semantics/openAccess
https://creativecommons.org/licenses/by-nc-nd/4.0/
https://creativecommons.org/licenses/by-nc-nd/4.0/
Repositorio Institucional - URP (es_ES)
COVID-19 (es_ES)
red neuronal convolucional (es_ES)
radiograf?as de t?rax (es_ES)
transfer learning (es_ES)
data augmentation (es_ES)
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 (es_ES)
info:eu-repo/semantics/bachelorThesis
info:eu-repo/semantics/bachelorThesis
Universidad Ricardo Palma. Facultad de Ingenier?a. Escuela Profesional de Ingenier?a Electr?nica (es_ES)
Ingenier?a Electr?nica (es_ES)
T?tulo Profesional (es_ES)
Ingeniero Electr?nico (es_ES)
PE (es_ES)
https://purl.org/pe-repo/ocde/ford#2.02.01
https://purl.org/pe-repo/ocde/ford#2.02.00
Ingenier?a Electr?nica (es_ES)
https://purl.org/pe-repo/renati/level#tituloProfesional
https://purl.org/pe-repo/renati/nivel#tituloProfesional
10032682
https://orcid.org/0000-0002-3753-9777
https://orcid.org/0000-0002-3753-9777
46733086
46733086
712097
712026
Chong Rodr?guez, Humberto
S?nchez Bravo, Miguel ?ngel
G?nzales Prado, Julio C?sar
Chong Rodr?guez, Humberto
S?nchez Bravo, Miguel ?ngel
G?nzales Prado, Julio C?sar
https://purl.org/pe-repo/renati/type#tesis
https://purl.org/pe-repo/renati/type#tesis
Privada asociativa
info:eu-repo/semantics/publishedVersion



This item is licensed under a Creative Commons License Creative Commons