DSpace logo

Por favor, use este identificador para citar o enlazar este ítem: http://repositorio.utmachala.edu.ec/handle/48000/19992
Registro completo de metadatos
Campo DC Valor Lengua/Idioma
dc.contributor.advisorRivas Asanza, Wilmer Braulio-
dc.contributor.authorZhispon Guzmán, Antony Ricardo-
dc.contributor.authorDíaz Peñafiel, José Guillermo-
dc.date.accessioned2022-10-31T16:11:53Z-
dc.date.available2022-10-31T16:11:53Z-
dc.date.issued2022-
dc.identifier.citationZhispon Guzman Antony Ricardo & Díaz Peñafiel, José Guillermo (2022), Desarrollo de un aplicativo web utilizando redes neuronales convoluciones para el reconocimiento de enfermedades pulmonares mediante el análisis de radiografías.[Trabajo de Titulación] UTMACH, Facultad de Ingeniería Civil, Machala, Ecuador.es_ES
dc.identifier.otherTTFIC-2022-TIN-DE00003-
dc.identifier.urihttp://repositorio.utmachala.edu.ec/handle/48000/19992-
dc.descriptionEn los últimos años el avance de la IA ha logrado que todos tengamos la capacidad de hacer y entrenar diferentes redes neuronales convolucionales que sean capaces de tomar sus propias decisiones , este proyecto se propone desarrollar un aplicativo web para el reconocimiento de enfermedades pulmonares como COVID-19, Tuberculosis y Neumonía utilizando redes convolucionales por medio del análisis de radiografías con el fin de obtener resultados más eficientes en el menor tiempo posible, ya que hoy en día el tiempo de análisis de radiografías es demasiado extenso al momento de la obtención de resultados. Para elaborar la red neuronal convolucional se creó una base de datos con un total de 4000 imágenes o radiografías y se las clasificó en cuatro grupos y cada grupo contiene un total de 1000 radiografías: el primer grupo de radiografías de enfermedades es Covid, el segundo grupo de radiografías de enfermedades es Neumonía, el tercer grupo de radiografías de enfermedades es Tuberculosis y el cuarto grupo de radiografías es de Normales. Para la elaboración de la base de datos de imágenes se utilizó radiografías que fueron obtenidas de la página Kaggle la cual es una plataforma gratuita donde existen un sinnúmero de datasets de cualquier temática, y el resto de radiografías se las recolectó de varias páginas confiables de Internet. En la actualidad existen diversos métodos de reconocimiento de objetos o enfermedades, para esta tesis las herramientas utilizadas para la elaboración y preparación de la red neuronal fueron Google Colab, la biblioteca Keras y Tensorflow. Posteriormente se procedió a efectuar varias pruebas con la red previamente elaborada y preparada. Se preparó 2 redes convolucionales con diversos indicadores como el número de épocas que en este caso fueron de 100 y 200, y también el nombre de los optimizadores uno fue el Adam y el otro fue el SGD, con la finalidad de analizar cuál brinda un mejor entrenamiento. Una vez realizado el entrenamiento de la red convolucional se realizó múltiples pruebas dentro del Google Colab, y también se aplicaron varias métricas como por ejemplo la matriz de confusión y de esa manera poder seleccionar la red convolucional más óptima.es_ES
dc.description.abstractIn recent years, the advancement of AI has achieved that we all have the ability to make and train different convolutional neural networks that are capable of making their own decisions, this project aims to develop a web application for the recognition of lung diseases such as COVID-19. 19, Tuberculosis and Pneumonia using convolutional networks through the analysis of radiographs in order to obtain more efficient results in the shortest possible time, since today the time of analysis of radiographs is too long at the time of obtaining results. To elaborate the convolutional neural network, a database was created with a total of 4000 images or radiographs and they were classified into four groups and each group contains a total of 1000 radiographs: the first group of disease radiographs is Covid, the second group of X-rays of diseases is Pneumonia, the third group of X-rays of diseases is Tuberculosis and the fourth group of X-rays is Normal. For the elaboration of the image database, X-rays were obtained from the Kaggle page, which is a free platform where there are countless data sets of any subject, and the rest of the X-rays were collected from several reliable pages. from Internet. Currently there are various methods of recognizing objects or diseases, for this thesis the tools used for the elaboration and preparation of the neural network were Google Colab, the Keras library and Tensorflow. Subsequently, several tests were carried out with the previously elaborated and prepared network. Two convolutional networks were prepared with various indicators such as the number of epochs, which in this case were 100 and 200, and also the name of the optimizers, one was Adam and the other was SGD, in order to analyze who provides a better training Once the training of the convolutional network was done, multiple tests were carried out within Google Colab, and various metrics were also applied, such as the confusion matrix, in order to select the most optimal convolutional network.es_ES
dc.format.extent91 p.es_ES
dc.language.isoeses_ES
dc.publisherMachala: Universidad Tëcnica de Machalaes_ES
dc.rightsopenAccesses_ES
dc.rights.urihttps://creativecommons.org/licenses/by-nc-sa/3.0/ec/es_ES
dc.subjectCLASIFICACION DE IMAGENes_ES
dc.subjectRED NEURONAL CONVOLUCIONALes_ES
dc.subjectENFERMEDAD PULMONARes_ES
dc.subjectDEEP LEARNINGes_ES
dc.subjectOPTIMIZADORes_ES
dc.subjectRADIOGRAFIAes_ES
dc.titleDesarrollo de un aplicativo web utilizando redes neuronales convoluciones para el reconocimiento de enfermedades pulmonares mediante el análisis de radiografías.es_ES
dc.typebachelorThesises_ES
dc.emailanthonyzhispon@gmail.comes_ES
dc.emailjdiaz4@utmachala.edu.eces_ES
dc.cedula0705642197es_ES
dc.cedula0705277010es_ES
dc.utmachtitulacion.titulacionPropuestas tecnológicases_ES
dc.utmachbibliotecario.bibliotecarioPeralta Mercyes_ES
dc.utmachproceso.procesoPT-280322 (2022-1)es_ES
Aparece en las colecciones: Trabajo de Titulación Tecnología de la Información

Ficheros en este ítem:
Fichero Descripción Tamaño Formato  
Zhispon Antony & Díaz, José - TTFIC-2022-TIN-DE00003.pdfTRABAJO DE TITULACION2,65 MBAdobe PDFVisualizar/Abrir


Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons Creative Commons