Desarrollo de un aplicativo web utilizando redes neuronales convoluciones para el reconocimiento de enfermedades pulmonares mediante el análisis de radiografías.

En los últimos años el avance de la IA ha logrado que todos tengamos la capacidad de hacer y entrenar diferentes redes neuronales convolucionales que sean capaces de tomar sus propias decisiones , este proyecto se propone desarrollar un aplicativo web para el reconocimiento de enfermedades pulmonares como COVID-19, Tuberculosis y Neumonía utilizando redes convolucionales por medio del análisis de radiografías con el fin de obtener resultados más eficientes en el menor tiempo posible, ya que hoy en día el tiempo de análisis de radiografías es demasiado extenso al momento de la obtención de resultados. Para elaborar la red neuronal convolucional se creó una base de datos con un total de 4000 imágenes o radiografías y se las clasificó en cuatro grupos y cada grupo contiene un total de 1000 radiografías: el primer grupo de radiografías de enfermedades es Covid, el segundo grupo de radiografías de enfermedades es Neumonía, el tercer grupo de radiografías de enfermedades es Tuberculosis y el cuarto grupo de radiografías es de Normales. Para la elaboración de la base de datos de imágenes se utilizó radiografías que fueron obtenidas de la página Kaggle la cual es una plataforma gratuita donde existen un sinnúmero de datasets de cualquier temática, y el resto de radiografías se las recolectó de varias páginas confiables de Internet. En la actualidad existen diversos métodos de reconocimiento de objetos o enfermedades, para esta tesis las herramientas utilizadas para la elaboración y preparación de la red neuronal fueron Google Colab, la biblioteca Keras y Tensorflow. Posteriormente se procedió a efectuar varias pruebas con la red previamente elaborada y preparada. Se preparó 2 redes convolucionales con diversos indicadores como el número de épocas que en este caso fueron de 100 y 200, y también el nombre de los optimizadores uno fue el Adam y el otro fue el SGD, con la finalidad de analizar cuál brinda un mejor entrenamiento. Una vez realizado el entrenamiento de la red convolucional se realizó múltiples pruebas dentro del Google Colab, y también se aplicaron varias métricas como por ejemplo la matriz de confusión y de esa manera poder seleccionar la red convolucional más óptima.

• Main Author: Zhispon Guzmán, Antony Ricardo (author)
• Other Authors: Díaz Peñafiel, José Guillermo (author)
• Format: bachelorThesis
• Published: 2022
• Subjects: CLASIFICACION DE IMAGEN; RED NEURONAL CONVOLUCIONAL; ENFERMEDAD PULMONAR; DEEP LEARNING; OPTIMIZADOR; RADIOGRAFIA
• Online Access: http://repositorio.utmachala.edu.ec/handle/48000/19992