Resumen:
Health and technology are closely related today, because thanks to technological advances, various solutions have been achieved to the different problems that are immersed in health, one of these problems is the detection of malaria in a timely manner for their respective treatment. In this work, a deep learning is carried out with the Mobilenet and Inception V3 models, using a Kaggle database called Malaria Cell Images Dataset, which is constituted by two Parasitized classes that are the images that show signs of existence of The infection of Malaria and Uninfected that does not present anomalies, each class contains 13,780 images that give a total of 27,560 images, the technological tools used were Python as a programming language under its Anaconda distribution and Jupyter environment and the Keras and TensorFlow libraries. With this, an analysis of the behavior of both architectures must be performed, for which approximately 8,000 images are considered, because a large number of images requires very powerful computational equipment and because of the quality of images contained in the data set, since it does not have a good resolution, therefore, the accuracy obtained in both models was 0.9894 and 0.9555, respectively.
Descripción:
La salud y la tecnología están muy relacionadas en la actualidad, ya que gracias a los avances tecnológicos se han logrado emplear diversas soluciones a los distintos problemas que se encuentran inmersos en la salud, uno de estos problemas es la detección de la malaria en un tiempo oportuno para su respectivo tratamiento. En el presente trabajo se realiza un aprendizaje profundo con los modelos Mobilenet e Inception V3, utilizando una base de datos de Kaggle llamada Malaria Cell Images Dataset, la cual está constituida por dos clases Parasitized que son las imágenes que presentan señales de existencia de la infección de Malaria y Uninfected que no presenta anomalías, cada clase contiene 13.780 imágenes dando un total de 27.560 imágenes, las herramientas tecnológicas utilizadas fueron Python como lenguaje de programación bajo su distribución Anaconda y entorno Jupyter y las librerías Keras y TensorFlow. Con ello se procedió a realizar un análisis del comportamiento de ambas arquitecturas, para la cual se consideró aproximadamente 8.000 imágenes, debido a que una gran cantidad de imágenes requiere de un equipo computacional muy potente y por la calidad de imágenes que contiene el dataset, ya que todas no poseen una buena resolución, por ende, la exactitud obtenida en ambos modelos fue de 0. 9894 y 0.9555, respectivamente.
Excepto si se señala otra cosa, la licencia del ítem se describe como openAccess