Mostrar el registro sencillo del ítem
Detección del SARS-CoV-2 en radiografías de tórax por medio de descriptores intermedios y técnicas de machine learning
dc.contributor.author | Bardález Trigoso, Gonzalo | |
dc.contributor.author | Bazán Arzapalo, Jean Pablo | |
dc.contributor.author | Fabián, Junior | |
dc.contributor.author | Montenegro Montori, Pedro | |
dc.date.accessioned | 2021-08-19T17:42:14Z | |
dc.date.available | 2021-08-19T17:42:14Z | |
dc.date.issued | 2021 | |
dc.identifier.citation | Bardález-Trigoso, G., Bazán-Arzapalo, J. P., Fabián, J. y Montenegro-Montori, P. (2021). Detección del SARS-CoV-2 en radiografías de tórax por medio de descriptores intermedios y técnicas de machine learning. En Universidad de Lima (Ed.), Construyendo un mundo inteligente para la sostenibilidad . Actas del III Congreso Internacional de Ingeniería de Sistemas (pp. 123-136), Lima, 17 y 20 de noviembre del 2020. Universidad de Lima, Fondo Editorial. | es_PE |
dc.identifier.uri | https://hdl.handle.net/20.500.12724/13896 | |
dc.description.abstract | El SARS-CoV-2, que causa la enfermedad del COVID-19, es un virus que se ha expandido rápidamente por el mundo, teniendo como lugar de inicio la ciudad de Wuhan, en China. A la fecha se han detectado más de 36 738 525 casos a nivel mundial. La tasa de infectados aumenta diariamente y la capacidad sanitaria no se da abasto. Por estas razones, se ha venido proponiendo una variedad de métodos para identificar el novel coronavirus con mayor rapidez y a menor costo. Un ejemplo de estos métodos para identificar la enfermedad es el COVID-Net, una red convolucional que identifica el COVID-19, neumonía o pulmones en condición normal. En este trabajo se propone una metodología para identificar y clasifi car imágenes de radiografías de tórax que tienen el COVID-19, neumonía o sin condición. Para esto se utilizaron extractores de características intermedias: HOG+PCA, SIFT+K-means y SURF+K-means, combinados con un SVM como clasificador; además, se emplearon tres estructuras CNN: VGG19, Densenet121 y MobilnetV2. Se utilizó la base de datos COVIDx3 que consta de 15 476 imágenes radiográficas de pulmón. Se obtuvieron buenos resultados, y se determinó que la mejor de las combinaciones fue la que utilizó MobilnetV2 con aumento de datos obteniendo una sensitividad por clase COVID-19 de 0,97 y en promedio una precisión y sensitividad de 0,92 y 0,91. Debido al contexto de la crisis sanitaria generada por el COVID-19, este trabajo se presenta como un apoyo para la detección de esta enfermedad y como marco de referencia para futuras investigaciones. | es_PE |
dc.description.abstract | COVID-19, the disease caused by the SARS-CoV-2 and originated in the Chinese city of Wuhan, has quickly spread around the world. To date, there have been more than 36,738,525 confirmed cases worldwide. Rates of COVID-19 cases increase on a daily basis and access to healthcare is not enough. For these reasons, a series of methods have been propo sed to identify the novel coronavirus faster and at lower cost. An example of said methods is COVID-NET, a convolutional neural network that identifies COVID-19, pneumonia or normal lungs. This research proposes a methodology to identify and classify chest X-ray images according to three categories: COVID-19, pneumonia or normal lungs. To that end, mid level image descriptors were employed: HOG+PCA, SIFT+K-means and SURF+K-means, combined with a SVM classifier. In addition, three CNN structures were used: VGG19, DenseNet121 and MobilNetV2. The COVIDx3 dataset, consisting of 15,746 chest X-rays, was used. Good results were obtained, where MobilnetV2 plus data augmentation showed the best performance, with a recall of 0.97 for the COVID-19 class, and an average precision and recall of 0.92 and 0.91, respectively. Given the current COVID-19 health crisis, this approach may be used for detecting the virus and as a reference for future research. | en_EN |
dc.format | application/pdf | es_PE |
dc.language.iso | spa | es_PE |
dc.publisher | Universidad de Lima | es_PE |
dc.relation.ispartof | urn:isbn:978-9972-45-563-6 | |
dc.rights | info:eu-repo/semantics/openAccess | es_PE |
dc.rights.uri | http://creativecommons.org/licenses/by/4.0/ | * |
dc.source | Repositorio Institucional - Ulima | es_PE |
dc.source | Universidad de Lima | es_PE |
dc.subject | Diagnóstico por imagen | es_PE |
dc.subject | Aprendizaje automático (Inteligencia artificial) | es_PE |
dc.subject | COVID-19 | es_PE |
dc.subject | Diagnostic imaging | en_EN |
dc.subject | Machine learning | en_EN |
dc.subject.classification | Ciencias / Medicina y Salud | es_PE |
dc.title | Detección del SARS-CoV-2 en radiografías de tórax por medio de descriptores intermedios y técnicas de machine learning | es_PE |
dc.title.alternative | Detection of SARS-CoV-2 in Chest X-Rays by Means of Mid-Level Image Descriptors and Machine Learning Techniques | en_EN |
dc.type | info:eu-repo/semantics/conferenceObject | es_PE |
dc.type.other | Artículo de conferencia | |
dc.publisher.country | PE | es_PE |
dc.subject.ocde | https://purl.org/pe-repo/ocde/ford#2.02.04 | es_PE |