Detección de neumonía mediante la aplicación de deep learning usando radiografías
Al momento de diagnosticar neumonía en un paciente por medio de una radiografía, suele estar presente un margen de error que puede dar lugar a un mal diagnóstico, por lo tanto, se deben considerar técnicas alternativas innovadoras para minimizar el margen de error. En este trabajo se presenta un mod...
- Autores:
-
Pelayo Lizarazo, Jefferson Stiv
Higuera Rivera, Luis Alberto
- Tipo de recurso:
- Trabajo de grado de pregrado
- Fecha de publicación:
- 2021
- Institución:
- Universidad Cooperativa de Colombia
- Repositorio:
- Repositorio UCC
- Idioma:
- OAI Identifier:
- oai:repository.ucc.edu.co:20.500.12494/36429
- Acceso en línea:
- https://hdl.handle.net/20.500.12494/36429
- Palabra clave:
- Deep learning
Detección de neumonía
Uso de radiografías
TG 2021 ISW 36429
- Rights
- closedAccess
- License
- Atribución – No comercial – Sin Derivar
| id |
COOPER2_27e7a86f61db7823aed7c28c32539184 |
|---|---|
| oai_identifier_str |
oai:repository.ucc.edu.co:20.500.12494/36429 |
| network_acronym_str |
COOPER2 |
| network_name_str |
Repositorio UCC |
| repository_id_str |
|
| dc.title.spa.fl_str_mv |
Detección de neumonía mediante la aplicación de deep learning usando radiografías |
| title |
Detección de neumonía mediante la aplicación de deep learning usando radiografías |
| spellingShingle |
Detección de neumonía mediante la aplicación de deep learning usando radiografías Deep learning Detección de neumonía Uso de radiografías TG 2021 ISW 36429 |
| title_short |
Detección de neumonía mediante la aplicación de deep learning usando radiografías |
| title_full |
Detección de neumonía mediante la aplicación de deep learning usando radiografías |
| title_fullStr |
Detección de neumonía mediante la aplicación de deep learning usando radiografías |
| title_full_unstemmed |
Detección de neumonía mediante la aplicación de deep learning usando radiografías |
| title_sort |
Detección de neumonía mediante la aplicación de deep learning usando radiografías |
| dc.creator.fl_str_mv |
Pelayo Lizarazo, Jefferson Stiv Higuera Rivera, Luis Alberto |
| dc.contributor.advisor.none.fl_str_mv |
Aristizábal Tique, Víctor Hugo |
| dc.contributor.author.none.fl_str_mv |
Pelayo Lizarazo, Jefferson Stiv Higuera Rivera, Luis Alberto |
| dc.subject.spa.fl_str_mv |
Deep learning Detección de neumonía Uso de radiografías |
| topic |
Deep learning Detección de neumonía Uso de radiografías TG 2021 ISW 36429 |
| dc.subject.classification.spa.fl_str_mv |
TG 2021 ISW 36429 |
| description |
Al momento de diagnosticar neumonía en un paciente por medio de una radiografía, suele estar presente un margen de error que puede dar lugar a un mal diagnóstico, por lo tanto, se deben considerar técnicas alternativas innovadoras para minimizar el margen de error. En este trabajo se presenta un modelo de deep learning, basado en reconocimiento de imágenes usando redes neuronales convolucionales, con radiografías de niños sanos y con neumonía, teniendo como fin la clasificación y detección de verdaderos positivos de neumonía. Las pruebas hechas arrojaron como resultados de que el modelo implementado logró más de un 90 % de precisión en la predicción. Además, también se mostró que, al reducir el tamaño de las imágenes, la disminución de la precisión no supera el 3 %, mientras que el ahorro en costo computacional es considerable, llegando a ser del orden de los miles de veces en algunos casos de disminución de tamaño de imágenes radiográficas. |
| publishDate |
2021 |
| dc.date.accessioned.none.fl_str_mv |
2021-11-11T18:02:11Z |
| dc.date.available.none.fl_str_mv |
2021-11-11T18:02:11Z |
| dc.date.issued.none.fl_str_mv |
2021-10-26 |
| dc.type.none.fl_str_mv |
Trabajo de grado - Pregrado |
| dc.type.coar.none.fl_str_mv |
http://purl.org/coar/resource_type/c_7a1f |
| dc.type.driver.none.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
| dc.type.version.none.fl_str_mv |
info:eu-repo/semantics/acceptedVersion |
| format |
http://purl.org/coar/resource_type/c_7a1f |
| status_str |
acceptedVersion |
| dc.identifier.uri.none.fl_str_mv |
https://hdl.handle.net/20.500.12494/36429 |
| dc.identifier.bibliographicCitation.spa.fl_str_mv |
Higuera Rivera, L. A. y Pelayo Lizarazo, J. S. (2021). Detección de neumonía mediante la aplicación de deep learning usando radiografías. [Tesis pregrado, Universidad Cooperativa de Colombia]. Repositorio Institucional UCC. http://hdl.handle.net/20.500.12494/36429 |
| url |
https://hdl.handle.net/20.500.12494/36429 |
| identifier_str_mv |
Higuera Rivera, L. A. y Pelayo Lizarazo, J. S. (2021). Detección de neumonía mediante la aplicación de deep learning usando radiografías. [Tesis pregrado, Universidad Cooperativa de Colombia]. Repositorio Institucional UCC. http://hdl.handle.net/20.500.12494/36429 |
| dc.relation.references.spa.fl_str_mv |
I. R. Raudales Díaz, “Imágenes diagnósticas: conceptos y generalidades,” Rev. fac. cienc. méd., pp. 35–43, 2014, [Online]. Available: http://www.bvs.hn/RFCM/pdf/2014/pdf/RFCMVol11-1-2014-6.pdf. Gancedo F, vitolo, E, “Errores diagnósticos en radiología,” no. 1, pp. 1–11, 2009, [Online]. Available: http://asegurados.descargas.nobleseguros.com/download/posts/November2017/KsrnKYWelN9G5YBmeXOs.pdf. P. Tudela, J. María Mòdol, M. José Rego, M. Bonet, B. Vilaseca, and J. Tor, “Error diagnóstico en urgencias: relación con el motivo de consulta, mecanismos y trascendencia clínica,” Med. Clin. (Barc)., vol. 125, no. 10, pp. 366–370, Sep. 2005, doi: 10.1157/13079168. C. Feldman, “The diagnosis of pneumonia requires a chest radiograph (x-ray)-yes,” vol. 5, pp. 1–7, 2014, [Online]. Available: https://pneumonia.biomedcentral.com/track/pdf/10.15172/pneu.2014.5/464.pdf. Oms, “Neumonía,” 2 agosto, 2019. https://www.who.int/es/news-room/fact-sheets/detail/pneumonia#. C. Calderón and R. Dennis, “Costos económicos de neumonía adquirida en comunidad, meningitis y bacteriemia por Streptococcus pneumoniae en una población adulta que requirió hospitalización en Bogotá, Colombia,” Biomedica, vol. 34, no. 1, pp. 92–101, 2014, doi: 10.7705/biomedica.v34i1.1553. W. Zhang, K. Doi, M. L. Giger, Y. Wu, R. M. Nishikawa, and R. A. Schmidt, “Computerized detection of clustered microcalcifications in digital mammograms using a shift-invariant artificial neural network,” Medical Physics, vol. 21, no. 4, pp. 517–524, 1994 S.-C. B. Lo, S.-L. Lou, J.-S. Lin, M. T. Freedman, M. V. Chien, S. K. Mun et al., “Artificial convolution neural network techniques and applications for lung nodule detection,” Medical Imaging, IEEE Transactions on, vol. 14, no. 4, pp. 711–718, 1995 Dente CJ, Bradley M, School S, et al. “Towards precision medicine: accurate predictive modeling of infectious complications in combat casualties”. J Trauma Acute Care Surg. 2017;83(4):609–616 Dagliati A, Marini S, Sacchi L, et al. “Machine learning methods to predict diabetes complications”. J Diabetes Sci Technol. 2017 May 1. [Epub ahead of print]. W. Daniel, Greenfield, Sean, “Artificial Intelligence in Medicine: Applications, implications, and limitations,” junio 19, 2019. https://sitn.hms.harvard.edu/flash/2019/artificial-intelligence-in-medicine-applications-implications-and-limitations/. A. Patil and M. Rane, “Convolutional Neural Networks: An Overview and Its Applications in Pattern Recognition,” Smart Innov. Syst. Technol., vol. 195, pp. 21–30, 2021, doi: 10.1007/978-981-15-7078-0_3. A. Dash, S., Acharya, B. R., Mittal, M., Abraham, A., & Kelemen, “Deep Learning Techniques for Biomedical and Health Informatics”. 2020. H. Azizpour, A. S. Razavian, J. Sullivan, A. Maki, and S. Carlsson, “Factors of Transferability for a Generic ConvNet Representation,” Jun. 2014, doi: arXiv:1406.5774. J. Arevalo, F. A. Gonzalez, R. Ramos-Pollan, J. L. Oliveira, and M. A. Guevara Lopez, “Convolutional neural networks for mammography mass lesion classification,” in 2015 37th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC), Aug. 2015, pp. 797–800, doi: 10.1109/EMBC.2015.7318482. Y. Bar, I. Diamant, L. Wolf, and H. Greenspan, “Deep learning with non-medical training used for chest pathology identification,” 2015, [Online]. Available: https://spie.org/Publications/Proceedings/Paper/10.1117/12.2083124?SSO=1 . M. J. J. P. van Grinsven, B. van Ginneken, C. B. Hoyng, T. Theelen, and C. I. Sanchez, “Fast Convolutional Neural Network Training Using Selective Data Sampling: Application to Hemorrhage Detection in Color Fundus Images,” IEEE Trans. Med. Imaging, vol. 35, no. 5, pp. 1273–1284, May 2016, doi: 10.1109/TMI.2016.2526689. J. Margeta, A. Criminisi, R. Cabrera Lozoya, D. C. Lee, and N. Ayache, “Fine-tuned convolutional neural nets for cardiac MRI acquisition plane recognition,” Comput. Methods Biomech. Biomed. Eng. Imaging Vis., vol. 5, no. 5, pp. 339–349, Sep. 2017, doi: 10.1080/21681163.2015.1061448. G. Carneiro, J. Nascimento, and A. Bradley, “Unregistered multiview mammogram analysis with pre-trained deep learning models,” in Medical Image Computing and Computer-Assisted Intervention MICCAI 2015, ser. Lecture Notes in Computer Science, N. Navab, J. Hornegger, W. M. Wells, and A. F. Frangi, Eds. Springer International Publishing, 2015, vol. 9351, pp. 652–660. B. Fos Guarinos, “Diseño de técnicas de inteligencia artificial aplicadas a imágenes médicas de rayos X para la detección de estructuras anatómicas de los pulmones y sus alteraciones,” Sep. 2016, Accessed: Mar. 23, 2020. [Online]. Available: https://riunet.upv.es:443/handle/10251/70103. akhani, Paras and Sundaram, Baskaran, “Deep learning at chestradiography: automated classification of pulmonary tuberculosis byusing convolutional neural networks,” Radiology, vol. 284, no. 2, pp.574–582, 2017. https://pubs.rsna.org/doi/full/10.1148/radiol.2017162326 E. Y. Lee, M. Y. Ng, and P. L. Khong. Covid-19 pneumonia: what has taught us? The Lancet Infectious Diseases, 20(4):384–385, 2020 M. Paul, “Chest X-Ray Images (Pneumonia),” 2018. https://www.kaggle.com/paultimothymooney/chest-xray-pneumonia. B. Paulo, “Pneumonia X-Ray Images Adapted from ‘Chest X-Ray Images (Pneumonia),’” [Online]. Available: https://www.kaggle.com/pcbreviglieri/pneumonia-xray-images. B. Huynh, K. Drukker, and M. Giger, “MO-DE-207B-06: Computer-Aided Diagnosis of Breast Ultrasound Images Using Transfer Learning From Deep Convolutional Neural Networks,” Med. Phys., vol. 43, no. 6Part30, pp. 3705–3705, Jun. 2016, doi: 10.1118/1.4957255. Bar, Yaniv and Diamant, Idit and Wolf, Lior and Greenspan, Hayit,“Deep learning with non-medical training used for chest pathology identification,” inMedical Imaging 2015: Computer-Aided Diagnosis,vol. 9414.International Society for Optics and Photonics, 2015, p.94140V. Keras, “tf.keras.preprocessing.image.ImageDataGenerator,” 2018, [Online]. Available: https://www.tensorflow.org/api_docs/python/tf/keras/preprocessing/image/ImageDataGenerator. “Código fuente, entrenamiento de la CNN para la detección de neumonía” 2021.https://colab.research.google.com/drive/17NZfSgvVHzsG76ZEt1zz6XeWETn819eb#scrollTo=1iBHFUUG0Zi1 D. Stursa and P. Dolezel, “Comparison of ReLU and linear saturated activation functions in neural network for universal approximation,” in 2019 22nd International Conference on Process Control (PC19), Jun. 2019, pp. 146–151, doi: 10.1109/PC.2019.8815057. A. Garg, D. Gupta, S. Saxena, and P. P. Sahadev, “Validation of Random Dataset Using an Efficient CNN Model Trained on MNIST Handwritten Dataset,” in 2019 6th International Conference on Signal Processing and Integrated Networks (SPIN), Mar. 2019, pp. 602–606, doi: 10.1109/SPIN.2019.8711703. E. For and L. Of, “A novel method for classification of tabular data using convolutional neural networks,” vol. 5, no. 1, pp. 109–118, 2002, [Online]. Available: https://www.biorxiv.org/content/10.1101/2020.05.02.074203v1.full.pdf. E. Shault, “Tabular Data Binary Classification: All Tips and Tricks from 5 Kaggle Competitions,” 2021. https://neptune.ai/blog/tabular-data-binary-classification-tips-and-tricks-from-5-kaggle-competitions. |
| dc.rights.license.none.fl_str_mv |
Atribución – No comercial – Sin Derivar |
| dc.rights.accessrights.none.fl_str_mv |
info:eu-repo/semantics/closedAccess |
| dc.rights.coar.none.fl_str_mv |
http://purl.org/coar/access_right/c_14cb |
| rights_invalid_str_mv |
Atribución – No comercial – Sin Derivar http://purl.org/coar/access_right/c_14cb |
| eu_rights_str_mv |
closedAccess |
| dc.format.extent.spa.fl_str_mv |
10 p. |
| dc.publisher.spa.fl_str_mv |
Universidad Cooperativa de Colombia, Facultad de Ingenierías, Ingeniería de Software, Medellín y Envigado |
| dc.publisher.program.spa.fl_str_mv |
Ingeniería de sofware |
| dc.publisher.place.spa.fl_str_mv |
Medellín |
| institution |
Universidad Cooperativa de Colombia |
| bitstream.url.fl_str_mv |
https://repository.ucc.edu.co/bitstreams/b08ef0f8-bd4a-487f-9afe-eedbe78d502f/download https://repository.ucc.edu.co/bitstreams/51fcb3fe-2be1-46ce-ad4f-005f7f8f3af7/download https://repository.ucc.edu.co/bitstreams/6e4b7c7b-a51a-4ac7-9fab-9e540bc6e2a8/download https://repository.ucc.edu.co/bitstreams/71ca9e67-07eb-4039-b51d-9813a106130c/download https://repository.ucc.edu.co/bitstreams/d3cf7420-941e-471b-9dbc-811c05fb27eb/download https://repository.ucc.edu.co/bitstreams/a3f26ea5-8f9b-4442-abef-f6f79a722293/download https://repository.ucc.edu.co/bitstreams/e0d4f05a-8f83-4e01-8392-e44687bcf601/download https://repository.ucc.edu.co/bitstreams/973e02ed-1f72-4d93-b83d-ff3f14bcf545/download https://repository.ucc.edu.co/bitstreams/bd23b67a-9521-4b22-ada0-ff8fbda3e421/download https://repository.ucc.edu.co/bitstreams/ce150e07-b924-44a0-86d1-ec340612d3c2/download |
| bitstream.checksum.fl_str_mv |
1508e20d86dd5ab2aa7f1bd195049110 81b50353584aa9ed37930fe8ffa0d163 e94fa8e0e8e3e80a105f13bb996f839f 3bce4f7ab09dfc588f126e1e36e98a45 a6af34f22a65de0bec66eb329087559b ce44521a1e5b7c671f26da41a6b4e545 03115a92b02aeee442ad4279a341c56d 402a25c064c5ca7233644c615f1078d4 26479249605676fd6027cb50b63ceaac 1c19eff82d657df5e37bea7eef39c705 |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 MD5 MD5 MD5 MD5 MD5 |
| repository.name.fl_str_mv |
Repositorio Institucional Universidad Cooperativa de Colombia |
| repository.mail.fl_str_mv |
bdigital@metabiblioteca.com |
| _version_ |
1814247158606462976 |
| spelling |
Aristizábal Tique, Víctor HugoPelayo Lizarazo, Jefferson StivHiguera Rivera, Luis Alberto2021-11-11T18:02:11Z2021-11-11T18:02:11Z2021-10-26https://hdl.handle.net/20.500.12494/36429Higuera Rivera, L. A. y Pelayo Lizarazo, J. S. (2021). Detección de neumonía mediante la aplicación de deep learning usando radiografías. [Tesis pregrado, Universidad Cooperativa de Colombia]. Repositorio Institucional UCC. http://hdl.handle.net/20.500.12494/36429Al momento de diagnosticar neumonía en un paciente por medio de una radiografía, suele estar presente un margen de error que puede dar lugar a un mal diagnóstico, por lo tanto, se deben considerar técnicas alternativas innovadoras para minimizar el margen de error. En este trabajo se presenta un modelo de deep learning, basado en reconocimiento de imágenes usando redes neuronales convolucionales, con radiografías de niños sanos y con neumonía, teniendo como fin la clasificación y detección de verdaderos positivos de neumonía. Las pruebas hechas arrojaron como resultados de que el modelo implementado logró más de un 90 % de precisión en la predicción. Además, también se mostró que, al reducir el tamaño de las imágenes, la disminución de la precisión no supera el 3 %, mientras que el ahorro en costo computacional es considerable, llegando a ser del orden de los miles de veces en algunos casos de disminución de tamaño de imágenes radiográficas.jefferson.pelayol@campusucc.edu.coluis.higuerar@campusucc.edu.co10 p.Universidad Cooperativa de Colombia, Facultad de Ingenierías, Ingeniería de Software, Medellín y EnvigadoIngeniería de sofwareMedellínDeep learningDetección de neumoníaUso de radiografíasTG 2021 ISW 36429Detección de neumonía mediante la aplicación de deep learning usando radiografíasTrabajo de grado - Pregradohttp://purl.org/coar/resource_type/c_7a1finfo:eu-repo/semantics/bachelorThesisinfo:eu-repo/semantics/acceptedVersionAtribución – No comercial – Sin Derivarinfo:eu-repo/semantics/closedAccesshttp://purl.org/coar/access_right/c_14cbI. R. Raudales Díaz, “Imágenes diagnósticas: conceptos y generalidades,” Rev. fac. cienc. méd., pp. 35–43, 2014, [Online]. Available: http://www.bvs.hn/RFCM/pdf/2014/pdf/RFCMVol11-1-2014-6.pdf.Gancedo F, vitolo, E, “Errores diagnósticos en radiología,” no. 1, pp. 1–11, 2009, [Online]. Available: http://asegurados.descargas.nobleseguros.com/download/posts/November2017/KsrnKYWelN9G5YBmeXOs.pdf.P. Tudela, J. María Mòdol, M. José Rego, M. Bonet, B. Vilaseca, and J. Tor, “Error diagnóstico en urgencias: relación con el motivo de consulta, mecanismos y trascendencia clínica,” Med. Clin. (Barc)., vol. 125, no. 10, pp. 366–370, Sep. 2005, doi: 10.1157/13079168.C. Feldman, “The diagnosis of pneumonia requires a chest radiograph (x-ray)-yes,” vol. 5, pp. 1–7, 2014, [Online]. Available: https://pneumonia.biomedcentral.com/track/pdf/10.15172/pneu.2014.5/464.pdf.Oms, “Neumonía,” 2 agosto, 2019. https://www.who.int/es/news-room/fact-sheets/detail/pneumonia#.C. Calderón and R. Dennis, “Costos económicos de neumonía adquirida en comunidad, meningitis y bacteriemia por Streptococcus pneumoniae en una población adulta que requirió hospitalización en Bogotá, Colombia,” Biomedica, vol. 34, no. 1, pp. 92–101, 2014, doi: 10.7705/biomedica.v34i1.1553.W. Zhang, K. Doi, M. L. Giger, Y. Wu, R. M. Nishikawa, and R. A. Schmidt, “Computerized detection of clustered microcalcifications in digital mammograms using a shift-invariant artificial neural network,” Medical Physics, vol. 21, no. 4, pp. 517–524, 1994S.-C. B. Lo, S.-L. Lou, J.-S. Lin, M. T. Freedman, M. V. Chien, S. K. Mun et al., “Artificial convolution neural network techniques and applications for lung nodule detection,” Medical Imaging, IEEE Transactions on, vol. 14, no. 4, pp. 711–718, 1995Dente CJ, Bradley M, School S, et al. “Towards precision medicine: accurate predictive modeling of infectious complications in combat casualties”. J Trauma Acute Care Surg. 2017;83(4):609–616Dagliati A, Marini S, Sacchi L, et al. “Machine learning methods to predict diabetes complications”. J Diabetes Sci Technol. 2017 May 1. [Epub ahead of print].W. Daniel, Greenfield, Sean, “Artificial Intelligence in Medicine: Applications, implications, and limitations,” junio 19, 2019. https://sitn.hms.harvard.edu/flash/2019/artificial-intelligence-in-medicine-applications-implications-and-limitations/.A. Patil and M. Rane, “Convolutional Neural Networks: An Overview and Its Applications in Pattern Recognition,” Smart Innov. Syst. Technol., vol. 195, pp. 21–30, 2021, doi: 10.1007/978-981-15-7078-0_3.A. Dash, S., Acharya, B. R., Mittal, M., Abraham, A., & Kelemen, “Deep Learning Techniques for Biomedical and Health Informatics”. 2020.H. Azizpour, A. S. Razavian, J. Sullivan, A. Maki, and S. Carlsson, “Factors of Transferability for a Generic ConvNet Representation,” Jun. 2014, doi: arXiv:1406.5774.J. Arevalo, F. A. Gonzalez, R. Ramos-Pollan, J. L. Oliveira, and M. A. Guevara Lopez, “Convolutional neural networks for mammography mass lesion classification,” in 2015 37th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC), Aug. 2015, pp. 797–800, doi: 10.1109/EMBC.2015.7318482.Y. Bar, I. Diamant, L. Wolf, and H. Greenspan, “Deep learning with non-medical training used for chest pathology identification,” 2015, [Online]. Available: https://spie.org/Publications/Proceedings/Paper/10.1117/12.2083124?SSO=1 .M. J. J. P. van Grinsven, B. van Ginneken, C. B. Hoyng, T. Theelen, and C. I. Sanchez, “Fast Convolutional Neural Network Training Using Selective Data Sampling: Application to Hemorrhage Detection in Color Fundus Images,” IEEE Trans. Med. Imaging, vol. 35, no. 5, pp. 1273–1284, May 2016, doi: 10.1109/TMI.2016.2526689.J. Margeta, A. Criminisi, R. Cabrera Lozoya, D. C. Lee, and N. Ayache, “Fine-tuned convolutional neural nets for cardiac MRI acquisition plane recognition,” Comput. Methods Biomech. Biomed. Eng. Imaging Vis., vol. 5, no. 5, pp. 339–349, Sep. 2017, doi: 10.1080/21681163.2015.1061448.G. Carneiro, J. Nascimento, and A. Bradley, “Unregistered multiview mammogram analysis with pre-trained deep learning models,” in Medical Image Computing and Computer-Assisted Intervention MICCAI 2015, ser. Lecture Notes in Computer Science, N. Navab, J. Hornegger, W. M. Wells, and A. F. Frangi, Eds. Springer International Publishing, 2015, vol. 9351, pp. 652–660.B. Fos Guarinos, “Diseño de técnicas de inteligencia artificial aplicadas a imágenes médicas de rayos X para la detección de estructuras anatómicas de los pulmones y sus alteraciones,” Sep. 2016, Accessed: Mar. 23, 2020. [Online]. Available: https://riunet.upv.es:443/handle/10251/70103.akhani, Paras and Sundaram, Baskaran, “Deep learning at chestradiography: automated classification of pulmonary tuberculosis byusing convolutional neural networks,” Radiology, vol. 284, no. 2, pp.574–582, 2017. https://pubs.rsna.org/doi/full/10.1148/radiol.2017162326E. Y. Lee, M. Y. Ng, and P. L. Khong. Covid-19 pneumonia: what has taught us? The Lancet Infectious Diseases, 20(4):384–385, 2020M. Paul, “Chest X-Ray Images (Pneumonia),” 2018. https://www.kaggle.com/paultimothymooney/chest-xray-pneumonia.B. Paulo, “Pneumonia X-Ray Images Adapted from ‘Chest X-Ray Images (Pneumonia),’” [Online]. Available: https://www.kaggle.com/pcbreviglieri/pneumonia-xray-images.B. Huynh, K. Drukker, and M. Giger, “MO-DE-207B-06: Computer-Aided Diagnosis of Breast Ultrasound Images Using Transfer Learning From Deep Convolutional Neural Networks,” Med. Phys., vol. 43, no. 6Part30, pp. 3705–3705, Jun. 2016, doi: 10.1118/1.4957255.Bar, Yaniv and Diamant, Idit and Wolf, Lior and Greenspan, Hayit,“Deep learning with non-medical training used for chest pathology identification,” inMedical Imaging 2015: Computer-Aided Diagnosis,vol. 9414.International Society for Optics and Photonics, 2015, p.94140V.Keras, “tf.keras.preprocessing.image.ImageDataGenerator,” 2018, [Online]. Available: https://www.tensorflow.org/api_docs/python/tf/keras/preprocessing/image/ImageDataGenerator.“Código fuente, entrenamiento de la CNN para la detección de neumonía” 2021.https://colab.research.google.com/drive/17NZfSgvVHzsG76ZEt1zz6XeWETn819eb#scrollTo=1iBHFUUG0Zi1D. Stursa and P. Dolezel, “Comparison of ReLU and linear saturated activation functions in neural network for universal approximation,” in 2019 22nd International Conference on Process Control (PC19), Jun. 2019, pp. 146–151, doi: 10.1109/PC.2019.8815057.A. Garg, D. Gupta, S. Saxena, and P. P. Sahadev, “Validation of Random Dataset Using an Efficient CNN Model Trained on MNIST Handwritten Dataset,” in 2019 6th International Conference on Signal Processing and Integrated Networks (SPIN), Mar. 2019, pp. 602–606, doi: 10.1109/SPIN.2019.8711703.E. For and L. Of, “A novel method for classification of tabular data using convolutional neural networks,” vol. 5, no. 1, pp. 109–118, 2002, [Online]. Available: https://www.biorxiv.org/content/10.1101/2020.05.02.074203v1.full.pdf.E. Shault, “Tabular Data Binary Classification: All Tips and Tricks from 5 Kaggle Competitions,” 2021. https://neptune.ai/blog/tabular-data-binary-classification-tips-and-tricks-from-5-kaggle-competitions.PublicationORIGINAL2021_Deteccion_Neumonia_Mediante.pdf2021_Deteccion_Neumonia_Mediante.pdfTrabajo de gradoapplication/pdf386804https://repository.ucc.edu.co/bitstreams/b08ef0f8-bd4a-487f-9afe-eedbe78d502f/download1508e20d86dd5ab2aa7f1bd195049110MD532021_Detencion_Neumonia_Mediante-Actasustentacion.pdf2021_Detencion_Neumonia_Mediante-Actasustentacion.pdfActa de sustentaciónapplication/pdf136155https://repository.ucc.edu.co/bitstreams/51fcb3fe-2be1-46ce-ad4f-005f7f8f3af7/download81b50353584aa9ed37930fe8ffa0d163MD542021_Detencion_Neumonia_Eediante-Licenciauso.pdf2021_Detencion_Neumonia_Eediante-Licenciauso.pdfLicencia de Usoapplication/pdf101017https://repository.ucc.edu.co/bitstreams/6e4b7c7b-a51a-4ac7-9fab-9e540bc6e2a8/downloade94fa8e0e8e3e80a105f13bb996f839fMD55LICENSElicense.txtlicense.txttext/plain; charset=utf-84334https://repository.ucc.edu.co/bitstreams/71ca9e67-07eb-4039-b51d-9813a106130c/download3bce4f7ab09dfc588f126e1e36e98a45MD56THUMBNAIL2021_Deteccion_Neumonia_Mediante.pdf.jpg2021_Deteccion_Neumonia_Mediante.pdf.jpgGenerated Thumbnailimage/jpeg5642https://repository.ucc.edu.co/bitstreams/d3cf7420-941e-471b-9dbc-811c05fb27eb/downloada6af34f22a65de0bec66eb329087559bMD572021_Detencion_Neumonia_Mediante-Actasustentacion.pdf.jpg2021_Detencion_Neumonia_Mediante-Actasustentacion.pdf.jpgGenerated Thumbnailimage/jpeg3626https://repository.ucc.edu.co/bitstreams/a3f26ea5-8f9b-4442-abef-f6f79a722293/downloadce44521a1e5b7c671f26da41a6b4e545MD582021_Detencion_Neumonia_Eediante-Licenciauso.pdf.jpg2021_Detencion_Neumonia_Eediante-Licenciauso.pdf.jpgGenerated Thumbnailimage/jpeg5022https://repository.ucc.edu.co/bitstreams/e0d4f05a-8f83-4e01-8392-e44687bcf601/download03115a92b02aeee442ad4279a341c56dMD59TEXT2021_Deteccion_Neumonia_Mediante.pdf.txt2021_Deteccion_Neumonia_Mediante.pdf.txtExtracted texttext/plain31102https://repository.ucc.edu.co/bitstreams/973e02ed-1f72-4d93-b83d-ff3f14bcf545/download402a25c064c5ca7233644c615f1078d4MD5102021_Detencion_Neumonia_Mediante-Actasustentacion.pdf.txt2021_Detencion_Neumonia_Mediante-Actasustentacion.pdf.txtExtracted texttext/plain1075https://repository.ucc.edu.co/bitstreams/bd23b67a-9521-4b22-ada0-ff8fbda3e421/download26479249605676fd6027cb50b63ceaacMD5112021_Detencion_Neumonia_Eediante-Licenciauso.pdf.txt2021_Detencion_Neumonia_Eediante-Licenciauso.pdf.txtExtracted texttext/plain5667https://repository.ucc.edu.co/bitstreams/ce150e07-b924-44a0-86d1-ec340612d3c2/download1c19eff82d657df5e37bea7eef39c705MD51220.500.12494/36429oai:repository.ucc.edu.co:20.500.12494/364292024-08-10 21:32:26.574restrictedhttps://repository.ucc.edu.coRepositorio Institucional Universidad Cooperativa de Colombiabdigital@metabiblioteca.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 |