Reconocimiento de patrones de neumonía en radiografías de tórax usando Tranfer Learning y Deep Clustering con OVMMSOM

• Autor: Sanchez Huertas, Franco Alejandro
• Formato: tesis de grado
• Fecha de Publicación: 2025
• Institución: Universidad Católica San Pablo
• Repositorio: UCSP-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.ucsp.edu.pe:20.500.12590/18916
• Enlace del recurso: https://hdl.handle.net/20.500.12590/18916
• Nivel de acceso: acceso abierto
• Materia: Aprendizaje profundo; Redes neuronales convolucionales; Transferencia de aprendizaje; OVMMSOM; Mapas autoorganizados; Radiografías de tórax; Neumonía; http://purl.org/pe-repo/ocde/ford#1.02.01

El análisis automatizado de imágenes médicas representa un avance significativo en el campo de la salud, ofreciendo la posibilidad de mejorar considerablemente la precisión y eficiencia del diagnóstico. Este estudio se enfoca en el desarrollo de una metodología innovadora para el reconocimiento de patrones de neumonía en radiografías de tórax utilizando Transfer Learning y Deep Clustering con la SOM OVMMSOM. La propuesta destaca el potencial de las t´ecnicas automatizadas para transformar el análisis de imágenes médicas y la importancia de depurar los elementos no clasificables mediante la integración de Clustering y Deep Learning. Primero, se usará una técnica reciente llamada Transfer Learning con DenseNet121, una arquitectura avanzada que ayuda a extraer los vectores característica de las imágenes de rayos X. DenseNet121 ya ha sido entrenada con una gran cantidad de datos, lo que le permite captar de manera efectiva los diferentes patrones y variaciones en las imágenes de rayos X de tórax. Luego, se aplicará una segunda capa, la red OVMMSOM. Esta red se encarga de agrupar las imágenes según sus características. OVMMSOM organiza las imágenes basándose en sus similitudes, permitiendo distinguir claramente entre aquellas con signos de neumonía y las que están saludables. La combinación de DenseNet121 y OVMMSOM aprovecha lo mejor de ambos mundos: el nivel de detalle que ofrecen las técnicas de Deep Learning para representar las características de las imágenes médicas, y la simplicidad de una red SOM para descubrir patrones no supervisados, lo cual ayuda a reducir el costo computacional frente a una clasificación completa con Deep Learning. Se evaluará el rendimiento del modelo comparándolo con datos ya etiquetados y se analizará su capacidad para identificar patrones de neumonía con un alto grado de precisión. Este estudio ofrece una propuesta valiosa para desarrollar modelos automatizados de análisis de imágenes médicas, destacando la efectividad de integrar técnicas avanzadas de Deep Learning y Clustering para la detección de patrones y anomalías, y cómo estas herramientas pueden mejorar la toma de decisiones clínicas y la eficiencia en el diagnóstico.