Algoritmos de Deep Learning para la detección de neumonía en infantes a través de imágenes de radiografías del tórax

• Autores: Valero Gómez, Juan Carlos, Zúñiga Incalla, Alex Peter, Clares Perca, Juan Carlos
• Formato: objeto de conferencia
• Fecha de Publicación: 2021
• Institución: Universidad de Lima
• Repositorio: ULIMA-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.ulima.edu.pe:20.500.12724/17541
• Enlace del recurso: https://hdl.handle.net/20.500.12724/17541; https://doi.org/10.26439/ciis2021.5586
• Nivel de acceso: acceso abierto
• Materia: Pendiente; https://purl.org/pe-repo/ocde/ford#2.02.04

Una gran cantidad de infantes fallecen cada año a consecuencia de la neumonía en todo el mundo. Se reporta que aproximadamente más de 1 millón de casos de neumonía en infantes se da entre 0 y 5 años de edad, de los cuales 808 694 murieron en 2017. Por ende, la neumonía es una de las principales causas de fallecimiento entre los infantes, con un alto nivel de mortalidad en Asia y África. Incluso en un país desarrollado como Estados Unidos, la neumonía se encuentra entre las 10 principales causas de muerte. La detección y el tratamiento tempranos de la neumonía pueden reducir significativamente las tasas de mortalidad entre los infantes en países emergentes. Por lo tanto, este trabajo presenta algoritmos de deep learning para detectar neumonía mediante imágenes de radiográficas. Se entrenaron tres algoritmos de deep learning para clasificar las imágenes de radiografías en dos clases: neumonía y normal. Se presentan tres algoritmos, a cada uno se añadió una capa pooling de 4x4, se vectoriza los datos con la técnica flatten, se agregaron seis capas dense de 1024, 512, 256, 128, 64 y 32 de valor de salida y cada una con activación relu; se aplica un BatchNormalization, finalmente se agrega una capa dense de 2 con una activación softmax para la clasificación. Los tres algoritmos son modelos previamente entrenados, que son Xception, MobileNet e InceptionV3 obtuvieron en la métrica de accuracy 94.4%, 96.2% y 95.3% respectivamente.