Detección del SARS-CoV-2 en radiografías de tórax por medio de descriptores intermedios y técnicas de machine learning

• Autores: Bardález Trigoso, Gonzalo, Bazán Arzapalo, Jean Pablo, Fabián, Junior, Montenegro Montori, Pedro
• Formato: objeto de conferencia
• Fecha de Publicación: 2021
• Institución: Universidad de Lima
• Repositorio: ULIMA-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.ulima.edu.pe:20.500.12724/13896
• Enlace del recurso: https://hdl.handle.net/20.500.12724/13896
• Nivel de acceso: acceso abierto
• Materia: Diagnóstico por imagen; Aprendizaje automático (Inteligencia artificial); COVID-19; Diagnostic imaging; Machine learning; Ciencias / Medicina y Salud; https://purl.org/pe-repo/ocde/ford#2.02.04

El SARS-CoV-2, que causa la enfermedad del COVID-19, es un virus que se ha expandido rápidamente por el mundo, teniendo como lugar de inicio la ciudad de Wuhan, en China. A la fecha se han detectado más de 36 738 525 casos a nivel mundial. La tasa de infectados aumenta diariamente y la capacidad sanitaria no se da abasto. Por estas razones, se ha venido proponiendo una variedad de métodos para identificar el novel coronavirus con mayor rapidez y a menor costo. Un ejemplo de estos métodos para identificar la enfermedad es el COVID-Net, una red convolucional que identifica el COVID-19, neumonía o pulmones en condición normal. En este trabajo se propone una metodología para identificar y clasifi car imágenes de radiografías de tórax que tienen el COVID-19, neumonía o sin condición. Para esto se utilizaron extractores de características intermedias: HOG+PCA, SIFT+K-means y SURF+K-means, combinados con un SVM como clasificador; además, se emplearon tres estructuras CNN: VGG19, Densenet121 y MobilnetV2. Se utilizó la base de datos COVIDx3 que consta de 15 476 imágenes radiográficas de pulmón. Se obtuvieron buenos resultados, y se determinó que la mejor de las combinaciones fue la que utilizó MobilnetV2 con aumento de datos obteniendo una sensitividad por clase COVID-19 de 0,97 y en promedio una precisión y sensitividad de 0,92 y 0,91. Debido al contexto de la crisis sanitaria generada por el COVID-19, este trabajo se presenta como un apoyo para la detección de esta enfermedad y como marco de referencia para futuras investigaciones.