Análisis de imágenes de rayos X de Covid-19 a través de redes neuronales artificiales.

Vista sencilla de ítem
dc.contributor.authorMorocho Sande, Kevin Luis
dc.contributor.authorPulig Cesén, Danny Xavier
dc.contributor.tutorPatiño Pérez, Darwin Guillermo
dc.date.accessioned2021-05-13T17:08:42Z
dc.date.available2021-05-13T17:08:42Z
dc.date.issued2021-03
dc.descriptionPDFes_ES
dc.description.abstractEn la actualidad, las pruebas más efectivas para la detección de Covid-19 como el análisis de imágenes por tomografía axial computarizada (TAC) y las evaluaciones médicas de laboratorio como la prueba de reacción en cadena de la polimerasa (PCR), son uno de los métodos más efectivos para el diagnóstico de esta enfermedad. La única desventaja es que estos métodos tradicionales son muy costosos y eso implicaba que la población de clase media-baja no tenga acceso a estas pruebas de detección. Las redes neuronales artificiales juegan un papel muy importante en el campo de la medicina y en investigaciones tecnológicas que contribuyan a la detección de enfermedades como el Covid-19. Este proyecto se centralizó con el fin de proporcionar un apoyo a los médicos en la toma de decisiones, utilizando herramientas tecnológicas. Se realizó un modelo de machine learning para el análisis de imágenes de rayos X para la detección de Covid-19 a través de redes neuronales convolucionales. El algoritmo fue realizado en el lenguaje de programación Python con el uso del entorno de desarrollo en la nube de Google Colaboratory. Por medio de los repositorios de acceso público de GitHub y Kaggle, se recolectaron bases de datos de imágenes de rayos X de tórax de pacientes con Covid-19 y pacientes normales (sanos) para generar un dataset con imágenes de entrenamiento y validación. Se realizaron pruebas experimentales con tres tipos de arquitectura de redes neuronales convolucionales para los modelos A, B y C. Siendo el modelo C el que obtuvo los mejores resultados.es_ES
dc.description.abstractCurrently, the most effective tests for the detection of Covid-19 such as computed axial tomography (CT) image analysis and laboratory medical evaluations such as the polymerase chain reaction (PCR) test, are one of the most effective methods for the diagnosis of this disease. The only disadvantage is that these traditional methods are very expensive and that meant that the lower-middle class population did not have access to these screening tests. Artificial neural networks play a very important role in the field of medicine and in technological research that contributes to the detection of diseases such as Covid-19. This project was centralized in order to provide support to doctors in decision-making, using technological tools. A machine learning model was performed for the analysis of X-ray images for the detection of Covid-19 through convolutional neural networks. The algorithm was carried out in the Python programming language with the use of the Google Colaboratory cloud development environment. Through the public access repositories of GitHub and Kaggle, databases of chest X-ray images of patients with Covid-19 and normal (healthy) patients were collected to generate a dataset with training and validation images. Experimental tests were carried out with three types of convolutional neural network architecture for models A, B and C. Model C being the one that obtained the best results.es_ES
dc.identifier.urihttp://repositorio.ug.edu.ec/handle/redug/52613
dc.language.isospaes_ES
dc.publisherUniversidad de Guayaquil. Facultad de Ciencias Matemáticas y Físicas. Carrera de Ingeniería en Sistemas Computacionales.es_ES
dc.rightsopenAccesses_ES
dc.subjectCovid-19es_ES
dc.subjectRayos Xes_ES
dc.subjectMachine Learninges_ES
dc.subjectModelo de Predicciónes_ES
dc.subjectRedes Neuronales Convolucionaleses_ES
dc.subjectMachine Learninges_ES
dc.subjectX-rayes_ES
dc.subjectConvolutional Neural Networkses_ES
dc.subjectPrediction Modeles_ES
dc.titleAnálisis de imágenes de rayos X de Covid-19 a través de redes neuronales artificiales.es_ES
dc.typebachelorThesises_ES
Archivos
Bloque original
Mostrando 1 - 1 de 1
Miniatura
Nombre:
B-CISC-PTG-1877-2021 Morocho Sande Kevin Luis - Pulig Cesén Danny Xavier.pdf
Tamaño:
4.07 MB
Formato:
Adobe Portable Document Format
Descripción:
UG-FCMF-B-CISC-1877 -2021
Descargar
Bloque de licencias
Mostrando 1 - 1 de 1
Miniatura
Nombre:
license.txt
Tamaño:
902 B
Formato:
Item-specific license agreed upon to submission
Descripción:
Descargar
Colecciones
Proyectos - Ingeniería en Sistemas Computacionales