dc.contributor.author | Caya Pérez, Jhan Carlos | |
dc.contributor.author | Huamaní Navarrete, Pedro Freddy | |
dc.date.accessioned | 2021-08-17T03:07:59Z | |
dc.date.accessioned | 2022-02-22T12:17:12Z | |
dc.date.available | 2021-08-17T03:07:59Z | |
dc.date.available | 2022-02-22T12:17:12Z | |
dc.date.issued | 2021-07 | |
dc.identifier.isbn | 978-958-52071-8-9 | |
dc.identifier.issn | 2414-6390 | |
dc.identifier.other | http://laccei.org/LACCEI2021-VirtualEdition/meta/FP566.html | |
dc.identifier.uri | http://dx.doi.org/10.18687/LACCEI2021.1.1.566 | |
dc.identifier.uri | http://axces.info/handle/10.18687/20210101_566 | |
dc.description.abstract | El propósito de este artículo fue evaluar el desempeño de tres modelos de Redes Neuronales Convolucionales para apoyar al proceso de diagnóstico de neumonía asociada al COVID-19, para reducir el tiempo que toma la labor de detección de la enfermedad en radiografías de tórax. Los modelos utilizados fueron: ResNet50, InceptionV3 y un modelo particular; para la implementación de los modelos ResNet50 e InceptionV3 se requirió aplicar transfer learning, y data augmentation para los tres modelos. Asimismo, la implementación se realizó utilizando en Keras y Tensorflow. Y, para el entrenamiento y validación de los tres modelos, se empleó un dataset compuesto por casos positivos (COVID-19) y casos negativos (NO COVID-19). Finalmente, se determinó que el modelo más efectivo fue el InceptionV3 con un accuracy de 0.9886, cuando se entrenó con Data Augmentation y 0.9848 sin la aplicación de Data Augmentation. | en_US |
dc.language.iso | English | en_US |
dc.publisher | LACCEI Inc. | en_US |
dc.rights | LACCEI License | |
dc.rights.uri | https://laccei.org/blog/copyright-laccei-papers/ | |
dc.subject | Red Neuronal Convolucional | en_US |
dc.subject | Keras | en_US |
dc.subject | Tensorflow | en_US |
dc.subject | Transfer Learning | en_US |
dc.subject | Data Augmentation. | en_US |
dc.title | Apoyo al proceso de diagnóstico de neumonía asociada al COVID-19 utilizando modelos de Redes Neuronales Convolucionales, con Keras y Tensorflow | |
dc.type | Article | en_US |
dc.description.country | Peru | en |
dc.description.institution | Universidad Ricardo Palma | en |
dc.description.track | I.T, Telecom, Soft. Eng, IoT, Ind. 4.0, Forensic Informatics, Security, Cybersecurity and Comp tools | en |
dc.journal.referato | peerReview | |