SciELO - Scientific Electronic Library Online

 
vol.42 issue1Comparison of Treatments by Mercerization and Plasma Glow Discharge on Residues of the Amazon Chestnut Shell (Bertholletia Excelsa)Design and Implementation of Network Monitoring System for Campus Infrastructure Using Software Agents author indexsubject indexarticles search
Home Pagealphabetic serial listing  

Services on Demand

Journal

Article

Indicators

Related links

  • On index processCited by Google
  • Have no similar articlesSimilars in SciELO
  • On index processSimilars in Google

Share


Ingeniería e Investigación

Print version ISSN 0120-5609

Abstract

BELMAN-LOPEZ, Carlos Eduardo. Detección de COVID-19 y otros casos de neumonía utilizando redes neuronales convolucionales e imágenes de rayos-X. Ing. Investig. [online]. 2022, vol.42, n.1, e108.  Epub Oct 29, 2021. ISSN 0120-5609.  https://doi.org/10.15446/ing.investig.v42n1.90289.

Dado que es esencial detectar los casos positivos y tratar a los pacientes afectados rápidamente para mitigar el impacto del COVID-19, los rayos-X han sido investigados para la detección del virus, en conjunto con modelos de aprendizaje profundo, eliminando desventajas como la escasez de kits de prueba RT-PCR, sus elevados costos y la larga espera por los resultados. La contribución de este estudio es presentar nuevos modelos para detectar COVID-19 y otros casos de neumonía utilizando imágenes de rayos-X y redes neuronales convolucionales, proporcionando diagnósticos precisos escenarios de clasificación binaria y categórica. La precisión en la clasificación fue mejorada y el sobreajuste fue evitado mediante 2 acciones: (1) aumentando el tamaño del conjunto de datos, al mismo tiempo que los escenarios de clasificación fueron balanceados; y (2) agregando técnicas de regularización y optimizando los hiperparámetros. Adicionalmente, la capacidad y tamaño de los modelos fueron reducidos tanto como fue posible, convirtiendo a los modelos finales en una opción perfecta para ser desplegados localmente en dispositivos con capacidades limitadas y sin necesidad de acceso a Internet. El impacto de hiperparámetros clave fue puesto a prueba utilizando paquetes modernos de aprendizaje profundo. Los modelos finales obtuvieron una precisión de 99,17 y 94,03 % para los escenarios binario y categórico respectivamente, logrando un rendimiento superior en comparación con otras propuestas en la literatura y utilizando un número significativamente menor de parámetros. Los modelos también pueden ser colocados sobre una plataforma digital para proporcionar diagnósticos al instante y superar la escasez de expertos y radiólogos.

Keywords : coronavirus; COVID-19; redes neuronales convolucionales; aprendizaje profundo; imágenes rayos-X de tórax; neumonía.

        · abstract in English     · text in English     · English ( pdf )