Prototipo de herramienta de software con aprendizaje de máquinas para la diferenciación de neumonía bacteriana o viral con el uso de radiografías de tórax

La neumonía es una de las enfermedades más comunes que afecta directamente los pulmones a través de infecciones en las vías respiratorias, además, esta enfermedad puede ser mortal sin un diagnóstico temprano. De modo que, un diagnóstico adecuado en una etapa temprana de la enfermedad permitiría apli...

Full description

Autores:
Martínez Tarazona, Santiago Andrés
Tipo de recurso:
Trabajo de grado de pregrado
Fecha de publicación:
2022
Institución:
Universidad Autónoma de Bucaramanga - UNAB
Repositorio:
Repositorio UNAB
Idioma:
spa
OAI Identifier:
oai:repository.unab.edu.co:20.500.12749/16509
Acceso en línea:
http://hdl.handle.net/20.500.12749/16509
Palabra clave:
Systems engineer
Technological innovations
Classification
Deep learning
Neural network
Pneumonia
Support system
Prototype development
Radiodiagnosis
Machine learning
Artificial intelligence
Ingeniería de sistemas
Innovaciones tecnológicas
Desarrollo de prototipos
Software
Radiodiagnóstico
Aprendizaje automático
Inteligencia artificial
Clasificación
Aprendizaje profundo
Red neuronal
Neumonía
Sistema soporte
Rights
License
http://creativecommons.org/licenses/by-nc-nd/2.5/co/
id UNAB2_9cf149fa1a5ac35e7e1ed562be3ad31b
oai_identifier_str oai:repository.unab.edu.co:20.500.12749/16509
network_acronym_str UNAB2
network_name_str Repositorio UNAB
repository_id_str
dc.title.spa.fl_str_mv Prototipo de herramienta de software con aprendizaje de máquinas para la diferenciación de neumonía bacteriana o viral con el uso de radiografías de tórax
dc.title.translated.spa.fl_str_mv Prototype of a machine learning software tool for the differentiation of bacterial or viral pneumonia using chest X-rays
title Prototipo de herramienta de software con aprendizaje de máquinas para la diferenciación de neumonía bacteriana o viral con el uso de radiografías de tórax
spellingShingle Prototipo de herramienta de software con aprendizaje de máquinas para la diferenciación de neumonía bacteriana o viral con el uso de radiografías de tórax
Systems engineer
Technological innovations
Classification
Deep learning
Neural network
Pneumonia
Support system
Prototype development
Radiodiagnosis
Machine learning
Artificial intelligence
Ingeniería de sistemas
Innovaciones tecnológicas
Desarrollo de prototipos
Software
Radiodiagnóstico
Aprendizaje automático
Inteligencia artificial
Clasificación
Aprendizaje profundo
Red neuronal
Neumonía
Sistema soporte
title_short Prototipo de herramienta de software con aprendizaje de máquinas para la diferenciación de neumonía bacteriana o viral con el uso de radiografías de tórax
title_full Prototipo de herramienta de software con aprendizaje de máquinas para la diferenciación de neumonía bacteriana o viral con el uso de radiografías de tórax
title_fullStr Prototipo de herramienta de software con aprendizaje de máquinas para la diferenciación de neumonía bacteriana o viral con el uso de radiografías de tórax
title_full_unstemmed Prototipo de herramienta de software con aprendizaje de máquinas para la diferenciación de neumonía bacteriana o viral con el uso de radiografías de tórax
title_sort Prototipo de herramienta de software con aprendizaje de máquinas para la diferenciación de neumonía bacteriana o viral con el uso de radiografías de tórax
dc.creator.fl_str_mv Martínez Tarazona, Santiago Andrés
dc.contributor.advisor.none.fl_str_mv Arizmendi Pereira, Carlos Julio
Calderón Benavides, Maritza Liliana
dc.contributor.author.none.fl_str_mv Martínez Tarazona, Santiago Andrés
dc.contributor.cvlac.spa.fl_str_mv Arizmendi Pereira, Carlos Julio [0001381550]
Calderón Benavides, Maritza Liliana [0000068900]
dc.contributor.googlescholar.spa.fl_str_mv Arizmendi Pereira, Carlos Julio [es&oi=ao]
Calderón Benavides, Maritza Liliana [XihGBWoAAAAJ]
dc.contributor.scopus.spa.fl_str_mv Arizmendi Pereira, Carlos Julio [6174088500]
Calderón Benavides, Maritza Liliana [15043558200]
dc.contributor.researchgate.spa.fl_str_mv Calderón Benavides, Maritza Liliana [Liliana_Calderon-Benavides]
dc.subject.keywords.spa.fl_str_mv Systems engineer
Technological innovations
Classification
Deep learning
Neural network
Pneumonia
Support system
Prototype development
Radiodiagnosis
Machine learning
Artificial intelligence
topic Systems engineer
Technological innovations
Classification
Deep learning
Neural network
Pneumonia
Support system
Prototype development
Radiodiagnosis
Machine learning
Artificial intelligence
Ingeniería de sistemas
Innovaciones tecnológicas
Desarrollo de prototipos
Software
Radiodiagnóstico
Aprendizaje automático
Inteligencia artificial
Clasificación
Aprendizaje profundo
Red neuronal
Neumonía
Sistema soporte
dc.subject.lemb.spa.fl_str_mv Ingeniería de sistemas
Innovaciones tecnológicas
Desarrollo de prototipos
Software
Radiodiagnóstico
Aprendizaje automático
Inteligencia artificial
dc.subject.proposal.spa.fl_str_mv Clasificación
Aprendizaje profundo
Red neuronal
Neumonía
Sistema soporte
description La neumonía es una de las enfermedades más comunes que afecta directamente los pulmones a través de infecciones en las vías respiratorias, además, esta enfermedad puede ser mortal sin un diagnóstico temprano. De modo que, un diagnóstico adecuado en una etapa temprana de la enfermedad permitiría aplicar un tratamiento apropiado que contribuya a la recuperación del paciente. Así, la radiografía de tórax es uno de los métodos más utilizados y efectivos en el diagnóstico de la neumonía. Sin embargo, el análisis de imágenes de rayosx de tórax requiere de radiólogos con amplia experiencia para brindar un dictamen sobre el avance de la enfermedad. En particular, en el área de la salud ha sido ampliamente estudiada, puesto que, constantemente se busca mejorar la rapidez y precisión de los diagnósticos médicos para monitorear, controlar y tratar efectivamente las enfermedades, evitando complicaciones a largo plazo, especialmente, en una problemática mundialmente conocida como lo es la neumonía. Por lo tanto, en este trabajo se busca desarrollar una herramienta soporte de software a través de aprendizaje automático y aprendizaje profundo para el análisis de imágenes de rayos-x que permita brindar soporte al personal médico durante un diagnóstico oportuno de neumonía. Asimismo, esta herramienta permitirá evaluar la gravedad de la patología para determinar su tratamiento temprano. Finalmente, con el desarrollo de este tipo de herramientas se podría brindar un servicio de soporte de diagnóstico médico a zonas de Colombia que carecen de especialistas.
publishDate 2022
dc.date.accessioned.none.fl_str_mv 2022-05-31T16:03:41Z
dc.date.available.none.fl_str_mv 2022-05-31T16:03:41Z
dc.date.issued.none.fl_str_mv 2022-01-14
dc.type.driver.none.fl_str_mv info:eu-repo/semantics/bachelorThesis
dc.type.local.spa.fl_str_mv Trabajo de Grado
dc.type.coar.none.fl_str_mv http://purl.org/coar/resource_type/c_7a1f
dc.type.redcol.none.fl_str_mv http://purl.org/redcol/resource_type/TP
format http://purl.org/coar/resource_type/c_7a1f
dc.identifier.uri.none.fl_str_mv http://hdl.handle.net/20.500.12749/16509
dc.identifier.instname.spa.fl_str_mv instname:Universidad Autónoma de Bucaramanga - UNAB
dc.identifier.reponame.spa.fl_str_mv reponame:Repositorio Institucional UNAB
dc.identifier.repourl.spa.fl_str_mv repourl:https://repository.unab.edu.co
url http://hdl.handle.net/20.500.12749/16509
identifier_str_mv instname:Universidad Autónoma de Bucaramanga - UNAB
reponame:Repositorio Institucional UNAB
repourl:https://repository.unab.edu.co
dc.language.iso.spa.fl_str_mv spa
language spa
dc.relation.references.spa.fl_str_mv Amador-Gil, A., & Rico-Gala, S. (2013). Radiología de las fracturas: algo más que un trazo. Radiología, 215-224
Bar, Y., Diamant, I., Wolf, L., Lieberman, S., Konen, E., & Greenspan, H. (2015). Chest pathology detection using deep learning with non-medical training. Proceedings - International Symposium on Biomedical Imaging, 2015-July, 294– 297. https://doi.org/10.1109/ISBI.2015.7163871
Bartlett, J. G., Dowell, S. F., Mandell, L. A., File, T. M., Musher, D. M., & Fine, M. J. (n.d.). Practice Guidelines for the Management of Community-Acquired Pneumonia in Adults. https://academic.oup.com/cid/article/31/2/347/293404
Benítez, R., Escudero, G., Kanaan, S., & Rodó, D. M. (2014). Inteligencia artificial avanzada. Editorial UOC, S.L. https://books.google.com.co/books?id=eT7ABAAAQBAJ
Betancourt, G. (2005). Las máquinas de soporte vectorial. Sciencia et technica, 6772
Bontrager, K. (2008). Proyecciones radiológicas con correlación anatómica. Madrid: Elsevier.
Botero, J., & Bedoya, E. (2010). Determinantes del diagnóstico periodontal. Revista clínica de periodoncia, implantología y rehabilitación oral, 94-99
CDC. (20 de Diciembre de 2018). La radiación en medicina: procedimientos médicos por imágenes. Obtenido de Centro para el control y la prevención de enfermedades: https://www.cdc.gov/spanish/especialescdc/radiacionionizante/index.html
Demler, O. V., Pencina, M. J., & D’Agostino, R. B. (2012). Misuse of DeLong test to compare AUCs for nested models. Statistics in Medicine, 31(23), 2577– 2587. https://doi.org/10.1002/sim.5328
Ebell, M. H., Chupp, H., Cai, X., Bentivegna, M., & Kearney, M. (2020). Accuracy of Signs and Symptoms for the Diagnosis of Community-acquired Pneumonia: A Meta-analysis. Academic Emergency Medicine, 27(7), 541– 553. https://doi.org/10.1111/acem.13965
Estacio, L. (2018). ELECCIÓN DE UN MÉTODO DE PROCESAMIENTO DE IMÁGENES DE RAYOS X, PARA EL SOPORTE DEL DIAGNÓSTICO DE LESIONES TRAUMATOLÓGICAS DE LA ESTRUCTURA PÉLVICA. Arequipa: Universidad Nacional San Agustín de Arequipa
Forlino, D. (2006). Semiología Radiológica Básica Cardiovascular del Tórax. Obtenido de Cátedra de Diagnóstico de Imágenes: https://med.unne.edu.ar/sitio/multimedia/imagenes/ckfinder/files/files/7. %20Semiologia%20Radiológica%20Básica%20Cardiovascular%20Torácica .pdf
Garnacho-Montero, J., García-Cabrera, E., Diaz-Martín, A., Lepe-Jiménez, J. A., Iraurgi-Arcarazo, P., Jiménez-Álvarez, R., Revuelto-Rey, J., & AznarMartín, J. (2010). Determinants of outcome in patients with bacteraemic pneumococcal pneumonia: Importance of early adequate treatment. Scandinavian Journal of Infectious Diseases, 42(3), 185–192. https://doi.org/10.310n9/00365540903418522
Gil, R., Fernández, P., & Sabbagh, E. (2005). Diagnóstico clínico-radiológico de la neumonía del adulto adquirida en la comunidad. Rev Chil Infect, 26-31.
Gonzáles, A. (2007). Los rayos X: Unas ondas centenarias en el diagnóstico médico. Barcelona: Universitat de Barcelona
Gonzáles, A. (2018). Aplicaciones de técnicas de inteligencia artifical basadas en deep learning al análisis y mejora de procesos industriales. Universidad de Oviedo: Oviedo
Gonzáles, D. (2010). Master de geotecnologías cartográficas en ingeniería y Arquitectura. Obtenido de Universidad de Salamanca: https://gredos.usal.es/handle/10366/4910
Guyon, I., & De, A. M. (2003). An Introduction to Variable and Feature Selection André Elisseeff. In Journal of Machine Learning Research (Vol. 3).
Hannah Ritchie (2019) - "Age Structure". Published online at OurWorldInData.org. Retrieved from: 'https://ourworldindata.org/age-structure'
Instituto Nacional del Cáncer. (26 de Noviembre de 2018). Significado de cambios y afecciones de los senos. Obtenido de Cáncer de Seno: https://www.cancer.gov/espanol/tipos/seno/significado-cambios-en-lossenos
J. Chen, L. Yang, Y. Zhang, M. Alber, and D. Z. Chen, ‘‘Combining fully convolutional and recurrent neural networks for 3D biomedical image segmentation,’’ in Proc. Adv. Neural Inf. Process. Syst., 2016, pp. 3036– 3044
Jaiswal, A. K., Tiwari, P., Kumar, S., Gupta, D., Khanna, A., & Rodrigues, J. J. P. C. (2019). Identifying pneumonia in chest X-rays: A deep learning approach. Measurement: Journal of the International Measurement Confederation, 145, 511–518. https://doi.org/10.1016/j.measurement.2019.05.076
Ker, J., Wang, L., Rao, J., & Lim, T. (2017). Deep Learning Applications in Medical Image Analysis. IEEE Access, 6, 9375–9379. https://doi.org/10.1109/ACCESS.2017.2788044Bar, Y., Diamant, I., Wolf, L., Lieberman, S., Konen, E., & Greenspan, H. (2015). Chest pathology detection using deep learning with non-medical training. Proceedings - International Symposium on Biomedical Imaging, 2015-July, 294–297. https://doi.org/10.1109/ISBI.2015.7163871
Kermany, D., Zhang, K., & Goldbaum, M. (2018). Labeled Optical Coherence Tomography (OCT) and Chest X-Ray Images for Classification. 2. https://doi.org/10.17632/RSCBJBR9SJ.2
Liang, G., & Zheng, L. (2020). A transfer learning method with deep residual network for pediatric pneumonia diagnosis. Computer Methods and Programs in Biomedicine, 187, 104964. https://doi.org/10.1016/j.cmpb.2019.06.023
Litjens, G., Kooi, T., Bejnordi, B. E., Setio, A. A. A., Ciompi, F., Ghafoorian, M., van der Laak, J. A. W. M., van Ginneken, B., & Sánchez, C. I. (2017). A survey on deep learning in medical image analysis. In Medical Image Analysis (Vol. 42, pp. 60–88). Elsevier B.V. https://doi.org/10.1016/j.media.2017.07.005
Sharma, A., Raju, D., & Ranjan, S. (2018). Detection of pneumonia clouds in chest Xray using image processing approach. 2017 Nirma University International Conference on Engineering, NUiCONE 2017, 2018-Janua, 1–4. https://doi.org/10.1109/NUICONE.2017.8325607
Mayo Clinic. (13 de Marzo de 2018). Diagnóstico de Neumonía. Obtenido de Enfermedades y Afecciones: https://www.mayoclinic.org/es-es/diseasesconditions/pneumonia/diagnosis-treatment/drc-20354
Mischak, R., & Sciences, A. (2019). STUDY AND COMPARISON OF DIFFERENT DEEP LEARNING METHODS REFERING TO SKIN WOUND DETECTION A Master thesis by CHAIMAE KASSARA GUENNOUN. July
Moberg, A. B., Taléus, U., Garvin, P., Fransson, S. G., & Falk, M. (2016). Community-acquired pneumonia in primary care: clinical assessment and the usability of chest radiography. Scandinavian Journal of Primary Health Care, 34(1), 21-27.
Moncada, D. C., Rueda, Z. V., Macías, A., Suárez, T., Ortega, H., & Vélez, L. A. (2011). Reading and interpretation of chest X-ray in adults with communityacquired pneumonia. Brazilian Journal of Infectious Diseases, 15(6), 540– 546. https://doi.org/10.1016/S1413-8670(11)70248-3
Pasveer, B. (1989). Knowledge of shadows: the introduction of X‐ray images in medicine. Sociology of Health & Illness, 11(4), 360–381. https://doi.org/10.1111/1467-9566.ep11373066
Prasoon, A., Petersen, K., Igel, C., Lauze, F., Dam, E., & Nielsen, M. (2013). Deep feature learning for knee cartilage segmentation using a triplanar convolutional neural network. Lecture Notes in Computer Science (Including Subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), 8150 LNCS(PART 2), 246–253. https://doi.org/10.1007/978-3-642-40763-5_31
Raudales, R. (2014). Imágenes Diagnósticas: Conceptos y Generalidades. Revista Facultad de Ciencias Médicas, 35-43
Restrepo, A. (1998). Procesamiento de imágenes médicas. Revista Universidad EAFIT
Rodríguez, M., & Martínez, A. (Octubre de 1997). El uso de los rayos X en la medicina. Obtenido de Instituto de Física - UNAM: http://www.smf.mx/boletin/Oct-95/ray-med.html
Roth, H. R., Lu, L., Seff, A., Cherry, K. M., Hoffman, J., Wang, S., Liu, J., Turkbey, E., & Summers, R. M. (2014). A new 2.5D representation for lymph node detection using random sets of deep convolutional neural network observations. Lecture Notes in Computer Science (Including Subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), 8673 LNCS(PART 1), 520–527. https://doi.org/10.1007/978-3-319-10404-1_65
Ruiz, C. (2001). Redes Neuronales: Conceptos Básicos y Aplicaciones. Rosario: Universidad Nacional
Sociedad de Radiología Americana. (13 de Mayo de 2016). Tomografía axial computarizada. Obtenido de Radiology for Patients: https://www.radiologyinfo.org/sp/submenu.cfm?pg=ctScan
Soofi, A., & Awan, A. (2017). Classification Techniques in Machine Learning: Applications and Issues. Journal of Basic & Applied Sciences, 13(August), 459–465. https://doi.org/10.6000/1927-5129.2017.13.76
Stark, G. (2020, January 30). Bremsstrahlung | physics | Britannica. https://www.britannica.com/science/bremsstrahlung
Stephen, O., Sain, M., Maduh, U. J., & Jeong, D. U. (2019). An Efficient Deep Learning Approach to Pneumonia Classification in Healthcare. Journal of Healthcare Engineering, 2019. https://doi.org/10.1155/2019/4180949
Stollenga, M. F., Byeon, W., Liwicki, M., & Schmidhuber, J. (2015). Parallel Multi-Dimensional LSTM, With Application to Fast Biomedical Volumetric Image Segmentation
Tran, B. X., Vu, G. T., Ha, G. H., Vuong, Q.-H., Ho, M.-T., Vuong, T.-T., La, V.P., Ho, M.-T., Nghiem, K.-C. P., Nguyen, H. L. T., et al. (2019). Global evolution of research in artificial intelligence in health and medicine: A bibliometric study. Journal of clinical medicine, 8(3):360.
Musić, J., WSEAS (Organization), WSEAS International Conference on Computer Engineering and Applications (8th : 2014 : Tenerife, C. I., International Conference on Applied Informatics and Computing Theory (5th : 2014 : Tenerife, C. I., & International Conference on Communications and Information Technology (8th : 2014 : Tenerife, C. I. (n.d.). Recent advances in computer engineering, communications and information technology : proceedings of the 8th WSEAS international conference on computer engineering and applications (CEA ’14), proceedings of the 5th international conference on applied informatics and computing theory (AICT ’14), proceedings of the 8th international conference on commuications and information technology (CIT ’14) : Tenerife, Spain, January 10-12, 2014. 427
Universidad Politécnica de Catalunya. (2015). Aprendizaje Automático. Obtenido de Módulo de Aprendizaje IA: https://www.cs.upc.edu/~bejar/ia/transpas/teoria/6-AP-aprendizaje.pdf
Wang, G., Li, W., Zuluaga, M. A., Pratt, R., Patel, P. A., Aertsen, M., Doel, T., David, A. L., Deprest, J., Ourselin, S., Vercauteren, T., Wang, G., Li, W., Pratt, R., Patel, P. A., Doel, T., Ourselin, S., Zuluaga, M. A., & David, A. L. (2018). Interactive Medical Image Segmentation Using Deep Learning With Image-Specific Fine Tuning. IEEE TRANSACTIONS ON MEDICAL IMAGING, 37(7). https://doi.org/10.1109/TMI.2018.27917
World Health Organization. (2019). Pneumonia. https://www.who.int/newsroom/fact-sheets/detail/pneumonia
Zech, J. R., 1, I. D., Badgeley, M. A., 2, I. D., Liu Id, M., Id, A. B. C., Titano, J. J., & Oermannid, E. K. (2018). Variable generalization performance of a deep learning model to detect pneumonia in chest radiographs: A cross-sectional study. https://doi.org/10.1371/journal.pmed.1002683
dc.rights.coar.fl_str_mv http://purl.org/coar/access_right/c_abf2
dc.rights.uri.*.fl_str_mv http://creativecommons.org/licenses/by-nc-nd/2.5/co/
dc.rights.local.spa.fl_str_mv Abierto (Texto Completo)
dc.rights.creativecommons.*.fl_str_mv Atribución-NoComercial-SinDerivadas 2.5 Colombia
rights_invalid_str_mv http://creativecommons.org/licenses/by-nc-nd/2.5/co/
Abierto (Texto Completo)
Atribución-NoComercial-SinDerivadas 2.5 Colombia
http://purl.org/coar/access_right/c_abf2
dc.format.mimetype.spa.fl_str_mv application/pdf
dc.coverage.spatial.spa.fl_str_mv Colombia
dc.coverage.campus.spa.fl_str_mv UNAB Campus Bucaramanga
dc.publisher.grantor.spa.fl_str_mv Universidad Autónoma de Bucaramanga UNAB
dc.publisher.faculty.spa.fl_str_mv Facultad Ingeniería
dc.publisher.program.spa.fl_str_mv Pregrado Ingeniería de Sistemas
institution Universidad Autónoma de Bucaramanga - UNAB
bitstream.url.fl_str_mv https://repository.unab.edu.co/bitstream/20.500.12749/16509/1/2022_Tesis_Santiago_Andres_Martinez%281%29.pdf
https://repository.unab.edu.co/bitstream/20.500.12749/16509/2/2022_Licencia_Santiago_Andres_Martinez.pdf
https://repository.unab.edu.co/bitstream/20.500.12749/16509/3/license.txt
https://repository.unab.edu.co/bitstream/20.500.12749/16509/4/2022_Tesis_Santiago_Andres_Martinez%281%29.pdf.jpg
https://repository.unab.edu.co/bitstream/20.500.12749/16509/5/2022_Licencia_Santiago_Andres_Martinez.pdf.jpg
bitstream.checksum.fl_str_mv d72f299766c87c0c392a2fb9c1c6fc2e
99255883dde55dc8bf9ab407669167b5
3755c0cfdb77e29f2b9125d7a45dd316
46adc7a1760a98a98303e0e435c8c89f
20fa39064e1bf8ed58d63ed76fd3536f
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
MD5
MD5
repository.name.fl_str_mv Repositorio Institucional | Universidad Autónoma de Bucaramanga - UNAB
repository.mail.fl_str_mv repositorio@unab.edu.co
_version_ 1808410722020884480
spelling Arizmendi Pereira, Carlos Julio79e0125f-b191-4144-999b-281177ddaaf9Calderón Benavides, Maritza Lilianaa478af73-8b10-4632-aff9-2b9977a8b4e2Martínez Tarazona, Santiago Andrés27b86d4d-cdf0-4b5a-b08f-db3248f6a935Arizmendi Pereira, Carlos Julio [0001381550]Calderón Benavides, Maritza Liliana [0000068900]Arizmendi Pereira, Carlos Julio [es&oi=ao]Calderón Benavides, Maritza Liliana [XihGBWoAAAAJ]Arizmendi Pereira, Carlos Julio [6174088500]Calderón Benavides, Maritza Liliana [15043558200]Calderón Benavides, Maritza Liliana [Liliana_Calderon-Benavides]ColombiaUNAB Campus Bucaramanga2022-05-31T16:03:41Z2022-05-31T16:03:41Z2022-01-14http://hdl.handle.net/20.500.12749/16509instname:Universidad Autónoma de Bucaramanga - UNABreponame:Repositorio Institucional UNABrepourl:https://repository.unab.edu.coLa neumonía es una de las enfermedades más comunes que afecta directamente los pulmones a través de infecciones en las vías respiratorias, además, esta enfermedad puede ser mortal sin un diagnóstico temprano. De modo que, un diagnóstico adecuado en una etapa temprana de la enfermedad permitiría aplicar un tratamiento apropiado que contribuya a la recuperación del paciente. Así, la radiografía de tórax es uno de los métodos más utilizados y efectivos en el diagnóstico de la neumonía. Sin embargo, el análisis de imágenes de rayosx de tórax requiere de radiólogos con amplia experiencia para brindar un dictamen sobre el avance de la enfermedad. En particular, en el área de la salud ha sido ampliamente estudiada, puesto que, constantemente se busca mejorar la rapidez y precisión de los diagnósticos médicos para monitorear, controlar y tratar efectivamente las enfermedades, evitando complicaciones a largo plazo, especialmente, en una problemática mundialmente conocida como lo es la neumonía. Por lo tanto, en este trabajo se busca desarrollar una herramienta soporte de software a través de aprendizaje automático y aprendizaje profundo para el análisis de imágenes de rayos-x que permita brindar soporte al personal médico durante un diagnóstico oportuno de neumonía. Asimismo, esta herramienta permitirá evaluar la gravedad de la patología para determinar su tratamiento temprano. Finalmente, con el desarrollo de este tipo de herramientas se podría brindar un servicio de soporte de diagnóstico médico a zonas de Colombia que carecen de especialistas.1. Resumen 9 1.1 Resumen 9 1.2 Palabras Claves: 9 clasificación, aprendizaje profundo, red neuronal, neumonía, sistema soporte. 9 2. Introducción 11 2.1 Introducción: 11 2.2 Planteamiento del Problema 12 2.3 Objetivo general 13 2.4 Objetivos Específicos 13 3. Estado del arte 14 4. Marco Teórico 16 4.1. Imágenes de rayos-x 16 4.1.1. Diagnóstico médico de enfermedades a partir de imágenes de rayos-x 17 4.2. Técnicas para la detección de enfermedades a partir de imágenes de rayos-x 19 4.2.1. Radiografía 19 4.3. Inteligencia artificial 19 4.3.1. Aprendizaje automático 20 4.3.1.1. Aprendizaje profundo 21 4.3.1.2. Redes neuronales 22 4.3.1.3. Redes neuronales convolucionales 23 4.3.1.4 Técnicas de aumento de datos 24 4.3.5. Técnicas de reducción de dimensionalidad 27 4.3.5.1. Selección de características 27 4.3.5.2. Algoritmo de redundancia mínima y máxima relevancia 28 4.3.6. Técnicas de clasificación 28 4.3.6.1. Árbol de decisión 28 4.3.6.2. Agrupamiento a través de k-means 29 4.3.6.3. Máquinas de soporte vectorial 29 4.4. Enfermedades detectables mediante imágenes de rayos-x 30 4.4.1. Enfermedades respiratorias 30 4.4.2. Cáncer de seno 32 4.4.3. Enfermedades cardiovasculares 32 4.5. Técnicas de preprocesamiento en imágenes 33 5. Desarrollo metodológico 35 5.1. Infraestructura tecnológica del sistema 36 5.2. Metodología de los datos 36 5.2.1. Base de Datos: 37 5.2.2. Preprocesamiento de los datos 37 5.1.1 Tecnologías 38 5.1.1.1. Lenguaje de Programación: 38 5.1.2. Arquitectura 39 5.1.2.1. Redes Neuronales 39 5.1.2.2. Reducción de Dimensionalidad: 41 5.1.2.3. Máquina de Soporte Vectorial: 41 5.1.3. Hardware 41 5.3. Metodología de Prueba 42 5.3.1 Métricas de validación 42 5.4 Diseño de Prototipo 43 6. Resultados 45 6.1.2. Arquitectura del Modelo 48 6.1.3. Fscnca 50 6.1.4. Máquina de soporte vectorial: 51 6.2. Diseño del Prototipo. 54 7. Conclusiones 58 8. Bibliografía 59PregradoPneumonia is one of the most common diseases that directly affects the lungs through respiratory tract infections and can be fatal without an early diagnosis. Then, a proper diagnosis at an early stage of the disease would allow applicating an appropriate treatment that contributes to the patient's recovery. Thus, chest radiography is one of the most effective and widely used methods in pneumonia diagnosis. However, the chest X-ray images analysis requires radiologists with extensive experience in order to provide a professional opinion on the progression of the disease. In particular, in the health area, pneumonia has been widely studied, since the speed and accuracy of medical diagnoses are constantly being improved in order to monitor, control, and effectively treat diseases, avoiding long-term complications, especially with such a global issue as pneumonia. Therefore, this work seeks to develop a software support tool through machine learning and deep learning for the X-ray images analysis to provide support to medical personnel for a timely pneumonia diagnosis. This tool will also make it possible to evaluate the severity of the pathology in order to determine its early treatment. Finally, with the development of these types of tools, a meddical diagnostic support service could be provided to zones of Colombia those lack specialists.Modalidad Presencialapplication/pdfspahttp://creativecommons.org/licenses/by-nc-nd/2.5/co/Abierto (Texto Completo)Atribución-NoComercial-SinDerivadas 2.5 Colombiahttp://purl.org/coar/access_right/c_abf2Prototipo de herramienta de software con aprendizaje de máquinas para la diferenciación de neumonía bacteriana o viral con el uso de radiografías de tóraxPrototype of a machine learning software tool for the differentiation of bacterial or viral pneumonia using chest X-raysIngeniero de SistemasUniversidad Autónoma de Bucaramanga UNABFacultad IngenieríaPregrado Ingeniería de Sistemasinfo:eu-repo/semantics/bachelorThesisTrabajo de Gradohttp://purl.org/coar/resource_type/c_7a1fhttp://purl.org/redcol/resource_type/TPSystems engineerTechnological innovationsClassificationDeep learningNeural networkPneumoniaSupport systemPrototype developmentRadiodiagnosisMachine learningArtificial intelligenceIngeniería de sistemasInnovaciones tecnológicasDesarrollo de prototiposSoftwareRadiodiagnósticoAprendizaje automáticoInteligencia artificialClasificaciónAprendizaje profundoRed neuronalNeumoníaSistema soporteAmador-Gil, A., & Rico-Gala, S. (2013). Radiología de las fracturas: algo más que un trazo. Radiología, 215-224Bar, Y., Diamant, I., Wolf, L., Lieberman, S., Konen, E., & Greenspan, H. (2015). Chest pathology detection using deep learning with non-medical training. Proceedings - International Symposium on Biomedical Imaging, 2015-July, 294– 297. https://doi.org/10.1109/ISBI.2015.7163871Bartlett, J. G., Dowell, S. F., Mandell, L. A., File, T. M., Musher, D. M., & Fine, M. J. (n.d.). Practice Guidelines for the Management of Community-Acquired Pneumonia in Adults. https://academic.oup.com/cid/article/31/2/347/293404Benítez, R., Escudero, G., Kanaan, S., & Rodó, D. M. (2014). Inteligencia artificial avanzada. Editorial UOC, S.L. https://books.google.com.co/books?id=eT7ABAAAQBAJBetancourt, G. (2005). Las máquinas de soporte vectorial. Sciencia et technica, 6772Bontrager, K. (2008). Proyecciones radiológicas con correlación anatómica. Madrid: Elsevier.Botero, J., & Bedoya, E. (2010). Determinantes del diagnóstico periodontal. Revista clínica de periodoncia, implantología y rehabilitación oral, 94-99CDC. (20 de Diciembre de 2018). La radiación en medicina: procedimientos médicos por imágenes. Obtenido de Centro para el control y la prevención de enfermedades: https://www.cdc.gov/spanish/especialescdc/radiacionionizante/index.htmlDemler, O. V., Pencina, M. J., & D’Agostino, R. B. (2012). Misuse of DeLong test to compare AUCs for nested models. Statistics in Medicine, 31(23), 2577– 2587. https://doi.org/10.1002/sim.5328Ebell, M. H., Chupp, H., Cai, X., Bentivegna, M., & Kearney, M. (2020). Accuracy of Signs and Symptoms for the Diagnosis of Community-acquired Pneumonia: A Meta-analysis. Academic Emergency Medicine, 27(7), 541– 553. https://doi.org/10.1111/acem.13965Estacio, L. (2018). ELECCIÓN DE UN MÉTODO DE PROCESAMIENTO DE IMÁGENES DE RAYOS X, PARA EL SOPORTE DEL DIAGNÓSTICO DE LESIONES TRAUMATOLÓGICAS DE LA ESTRUCTURA PÉLVICA. Arequipa: Universidad Nacional San Agustín de ArequipaForlino, D. (2006). Semiología Radiológica Básica Cardiovascular del Tórax. Obtenido de Cátedra de Diagnóstico de Imágenes: https://med.unne.edu.ar/sitio/multimedia/imagenes/ckfinder/files/files/7. %20Semiologia%20Radiológica%20Básica%20Cardiovascular%20Torácica .pdfGarnacho-Montero, J., García-Cabrera, E., Diaz-Martín, A., Lepe-Jiménez, J. A., Iraurgi-Arcarazo, P., Jiménez-Álvarez, R., Revuelto-Rey, J., & AznarMartín, J. (2010). Determinants of outcome in patients with bacteraemic pneumococcal pneumonia: Importance of early adequate treatment. Scandinavian Journal of Infectious Diseases, 42(3), 185–192. https://doi.org/10.310n9/00365540903418522Gil, R., Fernández, P., & Sabbagh, E. (2005). Diagnóstico clínico-radiológico de la neumonía del adulto adquirida en la comunidad. Rev Chil Infect, 26-31.Gonzáles, A. (2007). Los rayos X: Unas ondas centenarias en el diagnóstico médico. Barcelona: Universitat de BarcelonaGonzáles, A. (2018). Aplicaciones de técnicas de inteligencia artifical basadas en deep learning al análisis y mejora de procesos industriales. Universidad de Oviedo: OviedoGonzáles, D. (2010). Master de geotecnologías cartográficas en ingeniería y Arquitectura. Obtenido de Universidad de Salamanca: https://gredos.usal.es/handle/10366/4910Guyon, I., & De, A. M. (2003). An Introduction to Variable and Feature Selection André Elisseeff. In Journal of Machine Learning Research (Vol. 3).Hannah Ritchie (2019) - "Age Structure". Published online at OurWorldInData.org. Retrieved from: 'https://ourworldindata.org/age-structure'Instituto Nacional del Cáncer. (26 de Noviembre de 2018). Significado de cambios y afecciones de los senos. Obtenido de Cáncer de Seno: https://www.cancer.gov/espanol/tipos/seno/significado-cambios-en-lossenosJ. Chen, L. Yang, Y. Zhang, M. Alber, and D. Z. Chen, ‘‘Combining fully convolutional and recurrent neural networks for 3D biomedical image segmentation,’’ in Proc. Adv. Neural Inf. Process. Syst., 2016, pp. 3036– 3044Jaiswal, A. K., Tiwari, P., Kumar, S., Gupta, D., Khanna, A., & Rodrigues, J. J. P. C. (2019). Identifying pneumonia in chest X-rays: A deep learning approach. Measurement: Journal of the International Measurement Confederation, 145, 511–518. https://doi.org/10.1016/j.measurement.2019.05.076Ker, J., Wang, L., Rao, J., & Lim, T. (2017). Deep Learning Applications in Medical Image Analysis. IEEE Access, 6, 9375–9379. https://doi.org/10.1109/ACCESS.2017.2788044Bar, Y., Diamant, I., Wolf, L., Lieberman, S., Konen, E., & Greenspan, H. (2015). Chest pathology detection using deep learning with non-medical training. Proceedings - International Symposium on Biomedical Imaging, 2015-July, 294–297. https://doi.org/10.1109/ISBI.2015.7163871Kermany, D., Zhang, K., & Goldbaum, M. (2018). Labeled Optical Coherence Tomography (OCT) and Chest X-Ray Images for Classification. 2. https://doi.org/10.17632/RSCBJBR9SJ.2Liang, G., & Zheng, L. (2020). A transfer learning method with deep residual network for pediatric pneumonia diagnosis. Computer Methods and Programs in Biomedicine, 187, 104964. https://doi.org/10.1016/j.cmpb.2019.06.023Litjens, G., Kooi, T., Bejnordi, B. E., Setio, A. A. A., Ciompi, F., Ghafoorian, M., van der Laak, J. A. W. M., van Ginneken, B., & Sánchez, C. I. (2017). A survey on deep learning in medical image analysis. In Medical Image Analysis (Vol. 42, pp. 60–88). Elsevier B.V. https://doi.org/10.1016/j.media.2017.07.005Sharma, A., Raju, D., & Ranjan, S. (2018). Detection of pneumonia clouds in chest Xray using image processing approach. 2017 Nirma University International Conference on Engineering, NUiCONE 2017, 2018-Janua, 1–4. https://doi.org/10.1109/NUICONE.2017.8325607Mayo Clinic. (13 de Marzo de 2018). Diagnóstico de Neumonía. Obtenido de Enfermedades y Afecciones: https://www.mayoclinic.org/es-es/diseasesconditions/pneumonia/diagnosis-treatment/drc-20354Mischak, R., & Sciences, A. (2019). STUDY AND COMPARISON OF DIFFERENT DEEP LEARNING METHODS REFERING TO SKIN WOUND DETECTION A Master thesis by CHAIMAE KASSARA GUENNOUN. JulyMoberg, A. B., Taléus, U., Garvin, P., Fransson, S. G., & Falk, M. (2016). Community-acquired pneumonia in primary care: clinical assessment and the usability of chest radiography. Scandinavian Journal of Primary Health Care, 34(1), 21-27.Moncada, D. C., Rueda, Z. V., Macías, A., Suárez, T., Ortega, H., & Vélez, L. A. (2011). Reading and interpretation of chest X-ray in adults with communityacquired pneumonia. Brazilian Journal of Infectious Diseases, 15(6), 540– 546. https://doi.org/10.1016/S1413-8670(11)70248-3Pasveer, B. (1989). Knowledge of shadows: the introduction of X‐ray images in medicine. Sociology of Health & Illness, 11(4), 360–381. https://doi.org/10.1111/1467-9566.ep11373066Prasoon, A., Petersen, K., Igel, C., Lauze, F., Dam, E., & Nielsen, M. (2013). Deep feature learning for knee cartilage segmentation using a triplanar convolutional neural network. Lecture Notes in Computer Science (Including Subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), 8150 LNCS(PART 2), 246–253. https://doi.org/10.1007/978-3-642-40763-5_31Raudales, R. (2014). Imágenes Diagnósticas: Conceptos y Generalidades. Revista Facultad de Ciencias Médicas, 35-43Restrepo, A. (1998). Procesamiento de imágenes médicas. Revista Universidad EAFITRodríguez, M., & Martínez, A. (Octubre de 1997). El uso de los rayos X en la medicina. Obtenido de Instituto de Física - UNAM: http://www.smf.mx/boletin/Oct-95/ray-med.htmlRoth, H. R., Lu, L., Seff, A., Cherry, K. M., Hoffman, J., Wang, S., Liu, J., Turkbey, E., & Summers, R. M. (2014). A new 2.5D representation for lymph node detection using random sets of deep convolutional neural network observations. Lecture Notes in Computer Science (Including Subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), 8673 LNCS(PART 1), 520–527. https://doi.org/10.1007/978-3-319-10404-1_65Ruiz, C. (2001). Redes Neuronales: Conceptos Básicos y Aplicaciones. Rosario: Universidad NacionalSociedad de Radiología Americana. (13 de Mayo de 2016). Tomografía axial computarizada. Obtenido de Radiology for Patients: https://www.radiologyinfo.org/sp/submenu.cfm?pg=ctScanSoofi, A., & Awan, A. (2017). Classification Techniques in Machine Learning: Applications and Issues. Journal of Basic & Applied Sciences, 13(August), 459–465. https://doi.org/10.6000/1927-5129.2017.13.76Stark, G. (2020, January 30). Bremsstrahlung | physics | Britannica. https://www.britannica.com/science/bremsstrahlungStephen, O., Sain, M., Maduh, U. J., & Jeong, D. U. (2019). An Efficient Deep Learning Approach to Pneumonia Classification in Healthcare. Journal of Healthcare Engineering, 2019. https://doi.org/10.1155/2019/4180949Stollenga, M. F., Byeon, W., Liwicki, M., & Schmidhuber, J. (2015). Parallel Multi-Dimensional LSTM, With Application to Fast Biomedical Volumetric Image SegmentationTran, B. X., Vu, G. T., Ha, G. H., Vuong, Q.-H., Ho, M.-T., Vuong, T.-T., La, V.P., Ho, M.-T., Nghiem, K.-C. P., Nguyen, H. L. T., et al. (2019). Global evolution of research in artificial intelligence in health and medicine: A bibliometric study. Journal of clinical medicine, 8(3):360.Musić, J., WSEAS (Organization), WSEAS International Conference on Computer Engineering and Applications (8th : 2014 : Tenerife, C. I., International Conference on Applied Informatics and Computing Theory (5th : 2014 : Tenerife, C. I., & International Conference on Communications and Information Technology (8th : 2014 : Tenerife, C. I. (n.d.). Recent advances in computer engineering, communications and information technology : proceedings of the 8th WSEAS international conference on computer engineering and applications (CEA ’14), proceedings of the 5th international conference on applied informatics and computing theory (AICT ’14), proceedings of the 8th international conference on commuications and information technology (CIT ’14) : Tenerife, Spain, January 10-12, 2014. 427Universidad Politécnica de Catalunya. (2015). Aprendizaje Automático. Obtenido de Módulo de Aprendizaje IA: https://www.cs.upc.edu/~bejar/ia/transpas/teoria/6-AP-aprendizaje.pdfWang, G., Li, W., Zuluaga, M. A., Pratt, R., Patel, P. A., Aertsen, M., Doel, T., David, A. L., Deprest, J., Ourselin, S., Vercauteren, T., Wang, G., Li, W., Pratt, R., Patel, P. A., Doel, T., Ourselin, S., Zuluaga, M. A., & David, A. L. (2018). Interactive Medical Image Segmentation Using Deep Learning With Image-Specific Fine Tuning. IEEE TRANSACTIONS ON MEDICAL IMAGING, 37(7). https://doi.org/10.1109/TMI.2018.27917World Health Organization. (2019). Pneumonia. https://www.who.int/newsroom/fact-sheets/detail/pneumoniaZech, J. R., 1, I. D., Badgeley, M. A., 2, I. D., Liu Id, M., Id, A. B. C., Titano, J. J., & Oermannid, E. K. (2018). Variable generalization performance of a deep learning model to detect pneumonia in chest radiographs: A cross-sectional study. https://doi.org/10.1371/journal.pmed.1002683ORIGINAL2022_Tesis_Santiago_Andres_Martinez(1).pdf2022_Tesis_Santiago_Andres_Martinez(1).pdfTesisapplication/pdf2109766https://repository.unab.edu.co/bitstream/20.500.12749/16509/1/2022_Tesis_Santiago_Andres_Martinez%281%29.pdfd72f299766c87c0c392a2fb9c1c6fc2eMD51open access2022_Licencia_Santiago_Andres_Martinez.pdf2022_Licencia_Santiago_Andres_Martinez.pdfLicenciaapplication/pdf93394https://repository.unab.edu.co/bitstream/20.500.12749/16509/2/2022_Licencia_Santiago_Andres_Martinez.pdf99255883dde55dc8bf9ab407669167b5MD52metadata only accessLICENSElicense.txtlicense.txttext/plain; charset=utf-8829https://repository.unab.edu.co/bitstream/20.500.12749/16509/3/license.txt3755c0cfdb77e29f2b9125d7a45dd316MD53open accessTHUMBNAIL2022_Tesis_Santiago_Andres_Martinez(1).pdf.jpg2022_Tesis_Santiago_Andres_Martinez(1).pdf.jpgIM Thumbnailimage/jpeg4437https://repository.unab.edu.co/bitstream/20.500.12749/16509/4/2022_Tesis_Santiago_Andres_Martinez%281%29.pdf.jpg46adc7a1760a98a98303e0e435c8c89fMD54open access2022_Licencia_Santiago_Andres_Martinez.pdf.jpg2022_Licencia_Santiago_Andres_Martinez.pdf.jpgIM Thumbnailimage/jpeg9461https://repository.unab.edu.co/bitstream/20.500.12749/16509/5/2022_Licencia_Santiago_Andres_Martinez.pdf.jpg20fa39064e1bf8ed58d63ed76fd3536fMD55metadata only access20.500.12749/16509oai:repository.unab.edu.co:20.500.12749/165092023-07-26 16:02:12.596open accessRepositorio Institucional | Universidad Autónoma de Bucaramanga - UNABrepositorio@unab.edu.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

Publicaciones similares