Resumen

El objetivo de este trabajo es investigar el uso de arquitecturas de aprendizaje de transferencia en la detección de COVID-19 a partir de exploraciones pulmonares de TC. El estudio evalúa las prestaciones de varias arquitecturas de aprendizaje de transferencia, así como los efectos de la ecualización de histograma estándar y la ecualización de histograma adaptativa con limitación de contraste. Los resultados de este estudio sugieren que las arquitecturas basadas en el aprendizaje de transferencia son una alternativa a los métodos actuales utilizados para detectar la presencia del virus en los pacientes. El modelo de mayor rendimiento, el VGG-19 implementado con la Ecualización Adaptativa de Histogramas con Contraste Limitado, en un conjunto de datos de SARS-CoV-2, alcanzó una precisión y una recuperación del 95,75 y 97,13%, respectivamente.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:ecualización de histograma adaptativa, histograma adaptativo limitado, ecualización de histograma estándar, escáner pulmonar ct, uso de transferencia, detección de covid-19, métodos contemporáneos, conjunto de datos cov-2, varias transferencias
• Keywords:adaptive histogram equalization, limited adaptive histogram, contrast limited adaptive, standard histogram equalization, ct lung scan, use of transfer, detection of covid-19, contemporary methods, cov-2 dataset, various transfer