Análisis de imágenes de Rayos-X de COVID-19 usando aprendizaje profundo.

Abstract

Existen diversas formas de detectar el covid-19, de manera estándar con la prueba PCR, obtenida habitualmente de secreciones nasales, o a través de imágenes, siendo usadas para apoyar los resultados obtenidos por la prueba estándar. Las afecciones por covid-19 deja evidencias radiológicas de neumonía visibles bajo los rayos-x, ya que, produce sombras en los pulmones, por lo cual, el objetivo de la investigación es analizar las imágenes de radiografías torácicas usando técnicas de aprendizaje profundo para el diagnóstico de pacientes con covid-19. La modalidad del trabajo es 30% campo y 70% investigativa. Se realizaron 2 modelos de redes neuronales convolucionales pre-entrenados con las arquitecturas vgg-16 e Inception v3, los cuales fueron desarrollados en Google Colab, estos fueron entrenados con dos conjuntos de datos, el primero fue la unión de dos dataset obtenidos de la plataforma Kaggle y el segundo conjunto de datos fue referenciado de otra tesis con el fin de realizar comparaciones entre el modelo propuesto en dicha tesis, con los modelos planteados en el presente trabajo de investigación, se observó el comportamiento de los modelos siendo entrenados con grandes y pequeñas cantidades de datos, dando los siguientes resultados: para el primer dataset el modelo que obtuvo mayor precisión y exhaustividad fue el modelo Inception v3, y para el segundo conjunto de datos el modelo que obtuvo mejores resultados fue el que usó la arquitectura vgg-16.

There are several ways to detect covid-19, as standard with the PCR test, usually obtained from nasal secretions, or through imaging, being used to support the results obtained by the standard test. Covid-19 conditions leave radiological evidence of pneumonia visible under x-rays, as it produces shadows in the lungs, therefore, the objective of the research is to analyze the images of chest x-rays using deep learning techniques for the diagnosis of patients with covid-19. The modality of the work is 30% field and 70% investigative. 2 models of pre-trained convolutional neural networks were performed with the vgg-16 and Inception v3 architectures, which were developed in Google Colab, these were trained with two data sets, the first was the union of two datasets obtained from the Kaggle platform and the second set of data was referenced from another thesis in order to make comparisons between the model proposed in this thesis, with the models proposed in this research work, the behavior of the models was observed being trained with large and small amounts of data, giving the following results: for the first dataset the model that obtained greater accuracy and completeness it was the Inception v3 model, and for the second dataset the model that obtained the best results was the one that used the vgg-16 architecture.