Resumen

Este estudio propone un modelo de red neuronal convolucional entrenado desde cero para clasificar y detectar la presencia de neumonía a partir de una colección de muestras de imágenes de rayos X de tórax. A diferencia de otros métodos que se basan únicamente en enfoques de aprendizaje de transferencia o técnicas artesanales tradicionales para lograr un rendimiento de clasificación notable, construimos un modelo de red neuronal convolucional desde cero para extraer características de una imagen de rayos X de tórax dada y clasificarla para determinar si una persona está infectada con neumonía. Este modelo podría ayudar a mitigar los retos de fiabilidad e interpretabilidad a los que a menudo se enfrentan las imágenes médicas. A diferencia de otras tareas de clasificación de aprendizaje profundo con suficiente repositorio de imágenes, es difícil obtener una gran cantidad de conjuntos de datos de neumonía para esta tarea de clasificación; por lo tanto, desplegamos varios algoritmos de aumento de datos para mejorar la precisión de validación y clasificación del modelo CNN y logramos una precisión de validación notable.

• Materias:Análisis de espectro Organización modular Diagnóstico automatizado Monitoreo Servicios de salud
• Subjects:Spectrum analysis Modular organization Automated diagnostics Monitoring Health services
• Palabras claves:modelo de red neuronal convolucional, radiografía de tórax, varios algoritmos de aumento de datos, muestras de imágenes de rayos, notable rendimiento de clasificación, notable precisión de validación, repositorio de imágenes suficiente, técnicas artesanales tradicionales, enfoques de aprendizaje por transferencia, neumonía.
• Keywords:convolutional neural network model, chest X, several data augmentation algorithms, ray image samples, remarkable classification performance, remarkable validation accuracy, sufficient image repository, traditional handcrafted techniques, transfer learning approaches, pneumonia