Por favor, use este identificador para citar o enlazar este ítem:https://uvadoc.uva.es/handle/10324/47137
Título
Estudio de algoritmos de redes neuronales convolucionales en dataset de imágenes médicas
Director o Tutor
Año del Documento
2021
Titulación
Grado en Ingeniería de Tecnologías de Telecomunicación
Abstract
Cada año mueren en el mundo más de 400.000 personas de malaria, a pesar de que la
malaria es una enfermedad prevenible y relativamente fácil de tratar si se detecta de
forma precoz. El objetivo principal de este trabajo es el de proponer un sistema de ayuda
de soporte a las decisiones médicas para la detección de malaria a partir de imágenes
de frotis de microscopio de células sanguíneas, utilizando un modelo de red neuronal
convolucional (CNN) y otras técnicas de aprendizaje profundo. Esta CNN se ha creado
utilizando como base una arquitectura EfficientNet. La contribución clave de este
trabajo es presentar los resultados de un modelo CNN ensemble creado a partir de
combinar los modelos base EfficientNet0 obtenidos durante un proceso de validación
cruzada de 10 iteraciones. En este documento se presentan los resultados de
clasificación de imágenes de pacientes infectados y pacientes sanos. Se ha obtenido una
exactitud en la clasificación del 98,29%, significativamente superior al de trabajos
similares encontrados en la literatura. El modelo propuesto CNN utilizando EfficientNet
presenta unos resultados con valores comparables, e incluso superiores, a los obtenidos
en el estado del arte actual: un valor de recall de 98,82%, un valor de precisión de
97,74%, un valor de F1-score de 98,28% y un valor para el AUC (Área bajo la Curva ROC)
de 99,76%. Para concluir, el diseño propuesto ofrece un sistema para el diagnóstico
automático de la malaria que ayuda a los profesionales médicos a realizar mejores
decisiones. Each year, more than 400,000 people die of malaria; surprisingly enough, malaria is a
preventable and treatable disease if early detection is achieved. The key objective of this
work is to propose a medical decision help system for detecting malaria from
microscopic peripheral blood cells images, using the application of a convolutional
neural network (CNN). This CNN has been created using an EfficientNet architecture.
The key contribution is to introduce the findings of an ensemble CNN model created
combining the base models obtained through a 10-fold stratified cross-validation of a
EfficientNet0-based architecture. This paper presents the classification findings using
images from malaria patients and normal patients. An accuracy value for binary
classification of 98.29% is obtained. The proposed CNN model using EfficientNet
presents state-of-the-art values: recall value of 98.82, a precision value 97.74%, F1-score
of 98.28% and a ROC value of 99.76%. To conclude, the suggested design offers an
automatic medical diagnostics system to assist malaria specialists to make enhanced
decision.
Palabras Clave
Redes Neuronales
Malaria
Aprendizaje Profundo
Idioma
spa
Derechos
openAccess
Collections
- Trabajos Fin de Grado UVa [28786]
Files in this item
![Attribution-NonCommercial-NoDerivatives 4.0 Internacional](/themes/Mirage2//images/creativecommons/cc-by-nc-nd.png)