Efectividad de un modelo de clasificación basado en Deep Learning en la detección de Covid-19

• Autor: Barboza Gonzales, José Luis
• Formato: tesis de grado
• Fecha de Publicación: 2023
• Institución: Universidad Nacional José María Arguedas
• Repositorio: UNAJMA-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.unajma.edu.pe:20.500.14168/822
• Enlace del recurso: https://hdl.handle.net/20.500.14168/822
• Nivel de acceso: acceso abierto
• Materia: Deep Learning, DenseNet, Covid, Rendimiento, Eficiencia, Eficacia.; http://purl.org/pe-repo/ocde/ford#2.02.04

La enfermedad del Coronavirus (COVID-19) es una enfermedad extremadamente contagiosa y de rápida propagación; por lo tanto, su diagnóstico temprano es de suma importancia. Ante la problemática de no contar con una herramienta eficaz, además de las pruebas para ayudar en la detección, se plantea este trabajo. Este trabajo de investigación plantea evaluar la efectividad de un modelo de clasificación hecho con Deep Learning para la identificación de COVID-19, con el objetivo de determinar qué tan efectivo y eficiente es el modelo propuesto para la detección del virus. Para ello, se hizo uso de tres conjuntos de datos públicos (COVID Chest X-ray, COVID Chest X-ray y COVID-19 Radiography Database) y un conjunto de datos propio utilizado para la validación. Para llevar a cabo la investigación, se utilizaron diversos modelos pre-entrenados basados en la arquitectura DenseNet y se propone una modificación en la arquitectura DenseNet201, donde se realiza una modificación en la primera fase de la convolución y en las "Transition Layers". Este modelo, a su vez, utiliza transfer learning con el Dataset de ImageNet. Los resultados indican que el modelo propuesto llega a una efectividad del 98%, y cuenta con una eficiencia de 18.1M parámetros y 3.2GFLOPs, superando otras propuestas del estado del arte. Se concluye que el modelo propuesto es fiable, efectivo y de bajo costo para la detección del COVID-19.