Diseño e implementación de un sistema para la detección de neumonía basado en pulsioximetría y algoritmos de Deep Learning aplicados al análisis de radiografías

• Autor: Aguirre Valverde, Jack Lut
• Formato: tesis de grado
• Fecha de Publicación: 2024
• Institución: Universidad Nacional de Trujillo
• Repositorio: UNITRU-Tesis
• Lenguaje: español
• OAI Identifier: oai:dspace.unitru.edu.pe:20.500.14414/21680
• Enlace del recurso: https://hdl.handle.net/20.500.14414/21680
• Nivel de acceso: acceso abierto
• Materia: TECHNOLOGY::Engineering physics::Other engineering physics; https://purl.org/pe-repo/ocde/ford#2.00.00

En el presente proyecto de ingeniería se diseñó un sistema para la detección de neumonía en niños menores de 5 años basándose en la medición de saturación de oxígeno en la sangre y del procesamiento de imágenes radiográficas por medio de algoritmos de Deep Learning. Al comparar diversos algoritmos a partir de los antecedentes consultados, se identificaron a las arquitecturas MobileNet y VGG19 como las más aptas para esta aplicación. Luego, se identificó la base de datos pública del Centro Médico de Mujeres y Niños de Guangzhou, la cual sirvió para realizar el entrenamiento, la validación y la prueba de cada uno de los modelos propuestos. Para iniciar con el desarrollo, se redimensionó las imágenes a 224x224 píxeles y se mejoró el contraste de estas por medio de la ecualización de histograma y se aplicó el método de aumento de datos para generalizar la información de entrada al modelo de Deep Learning. Es así como, se realizaron diferentes comparaciones para determinar qué modelo propuesto contaba con las mejores prestaciones. Gracias a ello se pudo identificar mejores resultados al no utilizar pesos pre entrenados para el modelo, utilizar el algoritmo de optimización SGD, hacer uso de la arquitectura MobileNet y valerse de capas de Dropout a 50% entre cada una de las capas densas añadidas al modelo. El modelo realizado fue entrenado por 20 épocas y obtuvo 90.66 % y 95.48 % para los valores de exactitud y sensibilidad, respectivamente. Finalmente, se construyó un sistema de pulsioximetría con errores bajo 1% y una desviación estándar de 0.688%, que, integrado en una interfaz gráfica de usuario (GUI) con el modelo de Deep Learning, disminuyó los falsos positivos y casos no detectados, alcanzando una exactitud del sistema integrado del 97.00%.