| dc.contributor | Comas, Diego Sebastián | |
| dc.creator | Simón González, Luciana | |
| dc.date | 2021-10-12 | |
| dc.date.accessioned | 2023-03-24T14:38:25Z | |
| dc.date.available | 2023-03-24T14:38:25Z | |
| dc.identifier | http://rinfi.fi.mdp.edu.ar/xmlui/handle/123456789/530 | |
| dc.identifier.uri | https://repositorioslatinoamericanos.uchile.cl/handle/2250/6280718 | |
| dc.description | Las imágenes de rayos X asisten a los expertos médicos en el diagnóstico y en la detección de patologías resultando esenciales, por ejemplo, para el diagnóstico de neumonía, la detección de masas y, recientemente, para la detección de afecciones características de COVID-19. Debido a que es uno de los exámenes radiológicos más accesibles, la radiografía de tórax es una de las primeras pruebas de imagen que se realizan cuando se sospecha de alguna patología. Las redes neuronales basadas en el aprendizaje profundo, en particular las redes neuronales convolucionales, han tomado impulso en los últimos años y se han convertido en herramientas fundamentales para la clasificación de imágenes. Particularmente, los enfoques de transfer-learning han permitido utilizar conocimiento de redes previamente entrenadas, superando la necesidad de grandes conjuntos de datos y disminuyendo el gran costo computacional asociado a este tipo de redes. En el presente Proyecto Final se aborda el estudio de redes neuronales basadas en aprendizaje profundo para la detección de anomalías en radiografías de tórax. Se estudian distintos enfoques basados en redes convolucionales, considerando la base de datos ChestX-ray14, con más de 100.000 imágenes de rayos-X con etiquetas relacionadas con 14 posibles patologías y evaluando diferentes objetivos de clasificación. Se implementan redes basadas en transfer-learning, a partir de las redes pre-entrenadas VGG19, ResNet50, e Inceptionv3, considerando diferentes esquemas para la etapa de clasificación y aumento de datos. Asimismo, se plantea y evalúa una arquitectura ad-hoc, sin transfer-learning, para el objetivo de clasificación con mayor cantidad de ejemplos. Los resultados indican un rendimiento aceptable en la mayoría de los casos ensayados basados en el transfer-learning, lo que demuestra que es un camino inicial válido para el uso de redes profundas en casos en los que no hay suficiente cantidad de imágenes etiquetadas (Gold Standard), problema muy común al trabajar con imágenes médicas. Por su parte, la red ad-hoc mostró una buena generalización utilizando aumento de datos y un valor de exactitud aceptable. Los resultados obtenidos indican que las redes neuronales convolucionales con y sin transfer-learning constituyen un buen enfoque para el diseño de clasificadores para detectar patologías en radiografías de tórax. | |
| dc.description | Fil: Simón González, Luciana. Universidad Nacional de Mar del Plata. Facultad de Ingeniería; Argentina | |
| dc.format | application/pdf | |
| dc.language | spa | |
| dc.publisher | Universidad Nacional de Mar del Plata. Facultad de Ingeniería; Argentina | |
| dc.rights | info:eu-repo/semantics/openAccess | |
| dc.rights | https://creativecommons.org/licenses/by/4.0/ | |
| dc.subject | Aplicaciones biomédicas | |
| dc.subject | Diagnóstico y detección de patologías | |
| dc.subject | COVID-19 | |
| dc.subject | Radiografía de tórax | |
| dc.subject | Redes neuronales | |
| dc.subject | Redes convolucionales | |
| dc.subject | Redes basadas en transfer-learning | |
| dc.subject | Redes pre-entrenadas VGG19 | |
| dc.subject | Redes pre-entrenadas ResNet50 | |
| dc.subject | Redes pre-entrenadas Inceptionv3 | |
| dc.title | Redes basadas en aprendizaje profundo para la detección de anomalías en radiografías de tórax | |
| dc.type | Thesis | |
| dc.type | info:eu-repo/semantics/draft | |
| dc.type | info:ar-repo/semantics/tesis de grado | |
| dc.type | info:eu-repo/semantics/bachelorThesis | |
