Show simple item record

dc.contributor.advisorHuamaní Navarrete, Pedro Freddyspa
dc.contributor.authorCaya Pérez, Jhan Carlosspa
dc.date.accessioned2021-04-20T18:21:40Z
dc.date.available2021-04-20T18:21:40Z
dc.date.issued2020
dc.identifier.urihttps://hdl.handle.net/20.500.14138/3523spa
dc.description.abstractEn 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.es_PE
dc.description.uriTesises_PE
dc.formatapplication/pdfes_PE
dc.language.isospaes_PE
dc.publisherUniversidad Ricardo Palmaes_PE
dc.rightsinfo:eu-repo/semantics/openAccesses_PE
dc.rights.urihttps://creativecommons.org/licenses/by-nc-nd/4.0/es_PE
dc.sourceRepositorio institucional - URPes_PE
dc.sourceUniversidad Ricardo Palmaes_PE
dc.subjectCOVID-19es_PE
dc.subjectred neuronal convolucionales_PE
dc.subjectradiografías de tóraxes_PE
dc.subjecttransfer learninges_PE
dc.subjectdata augmentationes_PE
dc.titleEvaluación de modelos de redes neuronales convolucionales aplicado a radiografías de tórax, para apoyar al proceso de diagnóstico de neumonía asociada al Covid-19es_PE
dc.typeinfo:eu-repo/semantics/bachelorThesises_PE
thesis.degree.disciplineIngeniería Electrónicaes_PE
thesis.degree.grantorUniversidad Ricardo Palma. Facultad de Ingenieríaes_PE
thesis.degree.levelTítulo Profesionales_PE
thesis.degree.programIngeniería Electrónicaes_PE
thesis.degree.nameIngeniero Electrónicoes_PE
dc.publisher.countryPEes_PE
dc.subject.ocdehttps://purl.org/pe-repo/ocde/ford#2.02.01es_PE
renati.advisor.orcidhttps://orcid.org/0000-0002-3753-9777es_PE
renati.typehttps://purl.org/pe-repo/renati/type#tesises_PE
renati.levelhttps://purl.org/pe-repo/renati/nivel#tituloProfesionales_PE
renati.discipline712097es_PE
renati.jurorChong Rodríguez, Humbertospa
renati.jurorSánchez Bravo, Miguel Ángelspa
renati.jurorGónzales Prado, Julio Césarspa
renati.author.dni46733086es_PE
renati.advisor.dni10032682es_PE


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show simple item record

info:eu-repo/semantics/openAccess
Except where otherwise noted, this item's license is described as info:eu-repo/semantics/openAccess