Optimización de la arquitectura de una red neuronal convolucional para el reconocimiento de Covid-19 en imágenes de rayos-x de tórax utilizando el algoritmo metaheurístico BAT

Abstract

La enfermedad del COVID-19 aún está afectando nuestra sociedad, por lo que un diagnóstico preciso y rápido es muy importante para prestar una atención eficaz a las personas afectadas. Esto se puede lograr aplicando técnicas computacionales inteligentes como las Redes Neuronales Convolucionales (CNN) a imágenes de rayos X de tórax. Existen numerosos trabajos que utilizan modelos de aprendizaje profundo para diagnosticar la gravedad de los afectados con COVID-19 con resultados bastante interesantes. La exactitud con la que las CNN pueden clasificar imágenes, depende en gran medida de los valores de los hiperparámetros con los que fueron entrenados. Encontrar esos valores óptimos es una tarea desafiante ya que representa un problema de optimización combinatoria muy complejo. En esta investigación se propone utilizar el algoritmo metaheurístico BAT para encontrar los hiperparámetros óptimos de una CNN para detectar COVID-19 en imágenes de rayos X de tórax. Con tal propósito se ha utilizado un conjunto de datos con 284 imágenes clasificadas en “COVID” y “Normal”. Los hiperparámetros encontrados por la metaheurística BAT permiten que el modelo optimizado obtenga una exactitud de 98% para datos de validación, lo que demuestra que la metaheurística BAT es eficiente para realizar optimización de hiperparámetros en Redes Neuronales Convolucionales.