Mostrar el registro sencillo del ítem

dc.contributor.advisorHuamaní Navarrete, Pedro Freddyspa
dc.contributor.authorMaldonado Lezama, Lisset Fernandaspa
dc.contributor.authorMoreano Rojas, Eder Omarspa
dc.date.accessioned2022-02-23T12:24:02Z
dc.date.available2022-02-23T12:24:02Z
dc.date.issued2021
dc.identifier.urihttps://hdl.handle.net/20.500.14138/4551
dc.description.abstractEl 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.formatapplication/pdfspa
dc.language.isospaspa
dc.publisherUniversidad Ricardo Palmaspa
dc.rightsinfo:eu-repo/semantics/openAccessspa
dc.rights.urihttps://creativecommons.org/licenses/by-nc-nd/4.0/spa
dc.subjectCovid-19spa
dc.subjectTuberculosisspa
dc.subjectInceptionV3spa
dc.subjectVGG16spa
dc.subjectradiografías de tórax frontalspa
dc.subjectTransfer Learningspa
dc.titleDiseño y aplicación de redes neuronales convolucionales para el diagnóstico de enfermedades pulmonares, a partir de radiografías de tórax frontalspa
dc.typeinfo:eu-repo/semantics/bachelorThesisspa
thesis.degree.disciplineIngeniería Electrónicaspa
thesis.degree.grantorUniversidad Ricardo Palma. Facultad de Ingenieríaspa
thesis.degree.nameIngeniero Electrónicospa
dc.publisher.countryPEspa
dc.subject.ocdehttps://purl.org/pe-repo/ocde/ford#2.02.00spa
renati.typehttps://purl.org/pe-repo/renati/type#tesisspa
renati.levelhttps://purl.org/pe-repo/renati/nivel#tituloProfesionalspa
renati.discipline712026spa


Ficheros en el ítem

Thumbnail

Este ítem aparece en la(s) siguiente(s) colección(ones)

Mostrar el registro sencillo del ítem

info:eu-repo/semantics/openAccess
Excepto si se señala otra cosa, la licencia del ítem se describe como info:eu-repo/semantics/openAccess