| dc.contributor | Huamaní Navarrete, Pedro Freddy | |
| dc.creator | Caya Pérez, Jhan Carlos | |
| dc.date | 2021-04-20T18:21:40Z | |
| dc.date | 2021-04-20T18:21:40Z | |
| dc.date | 2021-04-20T18:21:40Z | |
| dc.date | 2021-04-20T18:21:40Z | |
| dc.date | 2020 | |
| dc.date.accessioned | 2023-08-08T02:52:00Z | |
| dc.date.available | 2023-08-08T02:52:00Z | |
| dc.identifier | https://hdl.handle.net/20.500.14138/3523 | |
| dc.identifier.uri | https://repositorioslatinoamericanos.uchile.cl/handle/2250/7995394 | |
| dc.description | En marzo del presente año la OMS declaró como pandemia mundial al COVID-19.
Esta enfermedad, causada por el nuevo coronavirus, afecta principalmente al sistema
respiratorio ocasionando enfermedades graves como la neumonía. Esta requiere para su
diagnóstico la revisión y análisis de radiografías de tórax, las cuales permiten evaluar el
estado de los pulmones. Sin embargo, ante este contexto de pandemia, el tiempo
empleado para detectar la enfermedad dificulta ofrecer un tratamiento temprano y
oportuno al paciente. Por ello, este proyecto de tesis propuso la evaluación de tres
modelos de redes neuronales convolucionales aplicado a radiografías de tórax, para
apoyar al proceso de diagnóstico de neumonía asociada al COVID-19, por medio de la
clasificación de imágenes. Esto permite contribuir en la reducción del tiempo que toma
la labor de detección de la enfermedad en radiografías de tórax, además de definir cuál
de los tres modelos es el más apto para dicha labor. Los modelos utilizados en este
proyecto de tesis son un modelo de implementación propia, ResNet50 e InceptionV3.
Para la implementación de estos dos últimos se requirió aplicar transfer learning. Además,
se aplicó data augmentation para conocer su utilidad e influencia en el proceso de
entrenamiento de cada uno de los tres modelos. Se utilizó un dataset compuesto por
imágenes de radiografías de tórax de casos positivos a COVID-19 y casos normales para
el entrenamiento y validación de los tres modelos. Finalmente, basado en los resultados
obtenidos, el modelo más efectivo de los tres evaluados fue InceptionV3 con un 0.9886
de exactitud cuando se entrenó con data augmentation y 0.9848 sin data augmentation. | |
| dc.description | Tesis | |
| dc.format | application/pdf | |
| dc.language | spa | |
| dc.publisher | Universidad Ricardo Palma | |
| dc.publisher | PE | |
| dc.rights | info:eu-repo/semantics/openAccess | |
| dc.rights | https://creativecommons.org/licenses/by-nc-nd/4.0/ | |
| dc.source | Repositorio institucional - URP | |
| dc.source | Universidad Ricardo Palma | |
| dc.subject | data augmentation | |
| dc.subject | radiografías de tórax | |
| dc.subject | transfer learning | |
| dc.subject | COVID-19 | |
| dc.subject | red neuronal convolucional | |
| dc.subject | https://purl.org/pe-repo/ocde/ford#2.02.01 | |
| dc.title | Evaluación de modelos de redes neuronales convolucionales aplicado a radiografías de tórax, para apoyar al proceso de diagnóstico de neumonía asociada al Covid-19 | |
| dc.type | info:eu-repo/semantics/bachelorThesis | |
