Modelos Profundos Preentrenados para la Detección Automatizada de 10 Tipos de Fracturas Óseas Un Estudio Comparativo con ResNet50, EfficientNetB3 y MobileNet

• Autores: Moreano Condorcuya, Royer Elvis, Luque Ochoa, Evelyn Naida
• Formato: artículo
• Fecha de Publicación: 2025
• Institución: Universidad Nacional Micaela Bastidas de Apurímac
• Repositorio: UNMB-Riqchary
• Lenguaje: español
• OAI Identifier: oai:revistas.unamba.edu.pe:article/212
• Enlace del recurso: https://revistas.unamba.edu.pe/index.php/riqchary/article/view/212
• Nivel de acceso: acceso abierto
• Materia: Image classification; assisted diagnosis; bone fractures; convolutional neural networks; Clasificación de imágenes; diagnóstico asistido; fracturas óseas; redes neuronales convolucionales

El diagnóstico rápido y preciso de fracturas óseas es fundamental para prevenir complicaciones y optimizar el tratamiento. Las redes neuronales convolucionales (CNN) han demostrado alta eficacia en la clasificación de radiografías, alcanzando resultados comparables a los de especialistas. Este estudio evaluó MobileNet, ResNet50 y EfficientNetB3 para clasificar 10 tipos de fracturas usando 1,129 imágenes balanceadas: 90% para entrenamiento (1,017) y 10% para validación (112). El preprocesamiento incluyó redimensionado a 256×256 píxeles, conversión a RGB, normalización y one-hot encoding. El entrenamiento se realizó en Google Colab con optimizador RMSprop, pérdida categorical_crossentropy y early stopping. ResNet50 y EfficientNetB3 alcanzaron 95.54% de exactitud y F1-score >0.94, superando a MobileNet 91.51% de exactitud. Las confusiones se presentaron principalmente en fracturas visualmente similares. Las CNN evaluadas son viables para la clasificación automática de fracturas óseas, constituyendo una herramienta de apoyo diagnóstico útil, especialmente en áreas con escasez de especialistas. Se propone como trabajo futuro incluir un conjunto de prueba independiente y aumento de datos para mejorar la generalización.