RT info:eu-repo/semantics/bachelorThesis
T1 Estudio de algoritmos de redes neuronales convolucionales en dataset de imágenes médicas
A1 Ferreras Extremo, Antonio
A2 Universidad de Valladolid. Escuela Técnica Superior de Ingenieros de Telecomunicación
K1 Redes Neuronales
K1 Malaria
K1 Aprendizaje Profundo
AB Cada año mueren en el mundo más de 400.000 personas de malaria, a pesar de que lamalaria es una enfermedad prevenible y relativamente fácil de tratar si se detecta deforma precoz. El objetivo principal de este trabajo es el de proponer un sistema de ayudade soporte a las decisiones médicas para la detección de malaria a partir de imágenesde frotis de microscopio de células sanguíneas, utilizando un modelo de red neuronalconvolucional (CNN) y otras técnicas de aprendizaje profundo. Esta CNN se ha creadoutilizando como base una arquitectura EfficientNet. La contribución clave de estetrabajo es presentar los resultados de un modelo CNN ensemble creado a partir decombinar los modelos base EfficientNet0 obtenidos durante un proceso de validacióncruzada de 10 iteraciones. En este documento se presentan los resultados declasificación de imágenes de pacientes infectados y pacientes sanos. Se ha obtenido unaexactitud en la clasificación del 98,29%, significativamente superior al de trabajossimilares encontrados en la literatura. El modelo propuesto CNN utilizando EfficientNetpresenta unos resultados con valores comparables, e incluso superiores, a los obtenidosen el estado del arte actual: un valor de recall de 98,82%, un valor de precisión de97,74%, 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 diagnósticoautomático de la malaria que ayuda a los profesionales médicos a realizar mejoresdecisiones.
YR 2021
FD 2021
LK https://uvadoc.uva.es/handle/10324/47137
UL https://uvadoc.uva.es/handle/10324/47137
LA spa
DS UVaDOC
RD 21-nov-2024