Modelo de identificación de Covid 19 usando técnicas de deep learning a partir de imágenes de Rayos X de Torax de los pulmones de los pacientes

• Autor: Huanco Ramos, Fidel
• Formato: tesis doctoral
• Fecha de Publicación: 2023
• Institución: Universidad Nacional Del Altiplano
• Repositorio: UNAP-Institucional
• Lenguaje: español
• OAI Identifier: oai:https://repositorio.unap.edu.pe:20.500.14082/21522
• Enlace del recurso: https://repositorio.unap.edu.pe/handle/20.500.14082/21522
• Nivel de acceso: acceso abierto
• Materia: Aprendizaje profundo; COVID-19; Imágenes de rayos X de tórax; Neumonía; Redes neuronales convolucionales; https://purl.org/pe-repo/ocde/ford#1.02.01

La pandemia, conocida como COVID-19, ha preocupado al mundo entero desde diciembre de 2019. Hasta la fecha, ha tenido un impacto en los pacientes. En la lucha contra esta enfermedad, que ocasiona la neumonía y provoca síntomas desde tos seca hasta fiebre, se requieren con urgencia herramientas que faciliten a los expertos un diagnóstico eficiente para identificar pacientes infectados con COVID-19. El estudio tiene como objetivo determinar el modelo de proceso diagnóstico del COVID-19 mediante la aplicación de técnicas de deep learning a partir de imágenes de rayos X del tórax de los pulmones de los pacientes. Por medio de la radiografía de tórax se obtienen las 21165 imágenes de pacientes y se seleccionan las infectadas con COVID-19; posteriormente, se lleva a cabo el preprocesamiento y procesamiento, utilizando modelos de redes neuronales convolucionales como VGG19, DenseNet169, ResNet101 y EfficientNetB0. Asimismo, se evalúa y compara el rendimiento de los algoritmos mediante matrices de confusión. Se han codificado utilizando el lenguaje de programación Python. El resultado de desempeño más efectivo entre los cuatro modelos evaluados fue EfficientNetB0, con un 99.130% de exactitud y un 99% de precisión en la implementación del algoritmo.