| Sumario: | En este proyecto se logró desarrollar un algoritmo basado en redes redes neuronales convolucionales, específicamente la arquitectura DENSELY, entrenado a través de un data set open access Chest X-ray 14 liberado por el National Institute of Health (NIH) en 2017. Es la base de datos mas grande de rayos X que contiene 112.120 imagenes en vista frontal de 32.717 pacientes con 14 categorías comunes de enfermedades torácicas, en el estudio se centró en las radiografías posteroanterior de tórax que contengan masas y/o nódulos. Se entrenó un modelo de redes neuronales convolucionales con el banco de datos Chest X-ray 14 a través de la librería de aprendizaje de máquina TensorFlow. El modelo obtenido se validó a través de métricas de modelos de clasificación usando la curva ROC, matriz de confusión, reporte de clasificación, gráficas de medición de error y de precisión obteniendo mejores resultados vistos hasta el momento con este data set. El buen desempeño del modelo se logró gracias a un correcto ajuste en la arquitectura de redes neuronales convolucionales y a una depuración de las imágenes utilizadas para entrenar, esto último exclusivo de este proyecto. Luego de haber aplicado el algoritmo basado en la arquitectura DENSELY a las radiografías, se tuvo un 98 % de acierto en la detección de masas y nódulos en cada una de ellas, aprobando la hipótesis de este estudio de la implementación de un modelo de redes convolucionales DENSELY en TensorFlow que ayudará a detectar masas y nódulos pulmonares en imágenes radiográficas digitales de tórax
|
|---|