Comparación de arquitecturas de redes neuronales convolucionales para el diagnóstico de COVID-19
| Autor: | Rembrandt Bosco Duran, Rogelia Zambrano Rodríguez, Carlos Guerrero-Mendez, Daniela Lopez-Betancur, Tonatiuh Saucedo Anaya |
|---|---|
| Rok vydání: | 2021 |
| Předmět: | |
| Zdroj: | Computación y Sistemas. 25 |
| ISSN: | 2007-9737 1405-5546 |
| DOI: | 10.13053/cys-25-3-3453 |
| Popis: | Las redes neuronales convolucionales (CNNs, por sus siglas en ingles) han demostrado un gran potencial para resolver problemas de clasificacion con imagenes medicas. En esta investigacion, se evaluaron treinta y dos arquitecturas CNNs, y se compararon para realizar el diagnostico COVID-19 mediante el uso de imagenes radiograficas. Se utilizo una coleccion de 5,953 imagenes de rayos X de torax frontales (117 imagenes de pacientes diagnosticados con COVID-19, 4,273 de pacientes con neumonia no relacionada con COVID-19 y 1,563 imagenes etiquetadas como Normal provenientes de pacientes saludables) para entrenar y evaluar las arquitecturas. En este articulo, las metricas de evaluacion implementadas estan en concordancia con las condiciones requeridas para un conjunto de datos desequilibrado. Siete de los treinta y dos modelos evaluados lograron una clasificacion de rendimiento excelente (≥90%) segun la metrica del Indice de precision equilibrada (IBA, por sus siglas en ingles). Los tres modelos de CNNs que obtuvieron los mejores resultados en esta investigacion fueron Wide_resnet101_2, Resnext101_32x8d y Resnext50_32x4d, los cuales obtuvieron un valor de precision de clasificacion del 97.75%. El problema de sobreajuste en los modelos se descarto de acuerdo con el comportamiento de los valores de precision tanto en el conjunto de datos de entrenamiento, como en los de prueba. El mejor modelo para el diagnostico de COVID-19 es el Resnext101_32x8d, de acuerdo con la matriz de confusion y las metricas logradas de sensibilidad, especificidad, F1-score, G_mean, IBA y tiempo de entrenamiento de 97.75%, 96.40%, 97.75%, 97.06%, 94.34%, 76.98 min, respectivamente. |
| Databáze: | OpenAIRE |
| Externí odkaz: |
|