Determinación de la mejor Arquitectura de Redes Neuronales Convolucionales: VGG16, ResNet50 ó MobileNet para detección de la Neumonía 2023

• Autor: Enciso Ortiz, Sergio Elías
• Formato: tesis de grado
• Fecha de Publicación: 2024
• Institución: Universidad Nacional Micaela Bastidas de Apurímac
• Repositorio: UNAMBA-Institucional
• Lenguaje: español
• OAI Identifier: oai:172.16.0.151:UNAMBA/1396
• Enlace del recurso: http://repositorio.unamba.edu.pe/handle/UNAMBA/1396
• Nivel de acceso: acceso abierto
• Materia: Arquitecturas de redes neuronales convolucionales; MobileNet; ResNet50; VGG16; https://purl.org/pe-repo/ocde/ford#1.02.00

Las Redes Neuronales Convolucionales (CNN) se utilizan para el reconocimiento de imágenes de radiografías y otras aplicaciones. Actualmente, existen trabajos que comparan la eficacia de las arquitecturas CNN, como VGG16, ResNet50 y MobileNet con parámetros de entradas diferentes en sus entrenamientos, creando incertidumbre entre los desarrolladores de aplicaciones de clasificación de imágenes, nosotros sí aplicamos entradas iguales para el entrenamiento de las CNN en estudio. Para abordar esta falta de información, se utilizó una base de datos de Kaggle que consta de 5856 imágenes. De esa base de datos, se seleccionó una muestra sistemática de 746 imágenes de radiografías de pulmones sanos y con Neumonía. Para asegurar la normalización de las imágenes, se utilizaron las herramientas iloveimg y ReNamer. Además, se utilizó Python con Google Colab y diversas librerías, como tensorflow, matplotlib, numpy, os, cv2 y random, para ejecutar las diferentes arquitecturas. El diseño metodológico se basó en un enfoque cuantitativo, empleando tablas de comparación y las imágenes adquiridas de la base de datos de Kaggle. Los resultados obtenidos indicaron que el porcentaje de exactitud (Accuracy) fue de 80.83% para VGG16, 91.82% para ResNet50 y 78.28% para MobileNet, concluyéndose que ResNet50 es la arquitectura más precisa en este contexto.