dc.contributor.advisor | Huamaní Navarrete, Pedro Freddy | spa |
dc.contributor.author | Maldonado Lezama, Lisset Fernanda | spa |
dc.contributor.author | Moreano Rojas, Eder Omar | spa |
dc.date.accessioned | 2022-02-23T12:24:02Z | |
dc.date.available | 2022-02-23T12:24:02Z | |
dc.date.issued | 2021 | |
dc.identifier.uri | https://hdl.handle.net/20.500.14138/4551 | |
dc.description.abstract | El 11 de marzo de 2020 el COVID-19 fue declarado Pandemia por la OMS. Esta
enfermedad infecciosa causada por el SARS-CoV-2 afecta al sistema respiratorio al
igual que la Tuberculosis, este último según el informe de la OMS en el 2020 declara
que los casos de TBC se incrementaron a nivel mundial a raíz de la pandemia del
COVID-19.
Por ello, se ha visto afectado el reconocimiento de dichas enfermedades puesto que
ambas presentan síntomas similares. Este proyecto propone el diseño y aplicación de
Redes Neuronales Convolucionales para el diagnóstico de enfermedades como el
Covid-19 y Tuberculosis, a partir de radiografías de tórax frontal. Es así que, dos de los
modelos de redes neuronales fueron InceptionV3 y VGG16, mientras que el tercero fue
denominado Particular, y todos ellos fueron desarrollados en la interfaz de JupyterLab,
mediante el lenguaje de programación Phyton, con las librerías de Tensorflow y Keras.
En el caso de la red neuronal particular, estuvo conformada por 10 capas, la cual fue
entrenada por 2535 imágenes de radiografías de tórax frontal (compuesta por Covid-19,
Tuberculosis y Sanos), asimismo para el entrenamiento se usó la CPU y GPU del
computador. Estas mismas imágenes se usaron para el entrenamiento de los modelos de
Redes neuronales artificiales INCEPTION Y VGG16, para poder comparar y obtener la
eficacia de la red particular, A las redes neuronales artificiales se les aplicó Transfer
Learning para poder implementarlas y entrenarlas.
Las métricas de evaluación para cada red fueron “Accuracy”, “Recall”, “F1-Score” y
“General Precisión” para conocer la precisión y sensibilidad de la red particular a
comparación de las otras mencionadas. Finalmente, la red neuronal convolucional
particular obtuvo una precisión de 92.70% entrenada con la CPU, y 94.28% con la
GPU, ambos valores totalmente aceptables para una red entrenada con 3 clases (Covid-
19, Tuberculosis y Sanos). | spa |
dc.format | application/pdf | spa |
dc.language.iso | spa | spa |
dc.publisher | Universidad Ricardo Palma | spa |
dc.rights | info:eu-repo/semantics/openAccess | spa |
dc.rights.uri | https://creativecommons.org/licenses/by-nc-nd/4.0/ | spa |
dc.subject | Covid-19 | spa |
dc.subject | Tuberculosis | spa |
dc.subject | InceptionV3 | spa |
dc.subject | VGG16 | spa |
dc.subject | radiografías de tórax frontal | spa |
dc.subject | Transfer Learning | spa |
dc.title | Diseño y aplicación de redes neuronales convolucionales para el diagnóstico de enfermedades pulmonares, a partir de radiografías de tórax frontal | spa |
dc.type | info:eu-repo/semantics/bachelorThesis | spa |
thesis.degree.discipline | Ingeniería Electrónica | spa |
thesis.degree.grantor | Universidad Ricardo Palma. Facultad de Ingeniería | spa |
thesis.degree.name | Ingeniero Electrónico | spa |
dc.publisher.country | PE | spa |
dc.subject.ocde | https://purl.org/pe-repo/ocde/ford#2.02.00 | spa |
renati.type | https://purl.org/pe-repo/renati/type#tesis | spa |
renati.level | https://purl.org/pe-repo/renati/level#tituloProfesional | spa |
renati.discipline | 712026 | spa |