Apoyo al proceso de diagnóstico de neumonía asociada al COVID-19 utilizando modelos de Redes Neuronales Convolucionales, con Keras y Tensorflow

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.