Aplicación de redes neuronales densas y convolucionales para detección de COVID_19 en imágenes de rayos X

Las redes neuronales convolucionales (CNN) tienen gran potencial en resolver problemas de clasificación con imágenes. La presente investigación tiene como objetivo presentar modelos reducidos que permita identificar casos de neumonía y COVID-19 en imágenes de rayos X de tórax(anterior-posterior), ofreciendo una amplia perspectiva del interés de herramientas que brindan soporte y asistencia médica. La precisión en la clasificación fue mejorada y el sobre ajuste fue evitado agregando técnicas de regularización y optimizando los hiperparámetros. La capacidad y tamaño de los modelos fueron reducidos hasta obtener una opción perfecta para ser desplegados localmente en dispositivos con capacidades limitadas. Los algoritmos propuestos se desarrollaron en Google Colab utilizando el lenguaje de programación Python, aplicando redes neuronales densas y convolucionales a diferentes capas hasta obtener un índice de error bajo, para posterior diagnosticar si el paciente presenta COVID-19. Para ello, se utiliza un conjunto de 603 imágenes de alta resolución de bases de datos públicos (ver en https://www.cell.com/cell/fulltext/S0092-8674(18)30154-5 y https://github.com/ieee8023/covid-chestxray-dataset), divididas en 403 imágenes para entrenamiento, 200 imágenes para prueba y 12 imágenes para validación. La herramienta diseñada con una red neuronal convolucional de 13 capas propone la integración de aprendizaje de maquina (Machine Learning) como soporte en el proceso de diagnóstico médico, con una precisión del 94.73% puede convertirse en una herramienta que brinda mayor velocidad a la hora de dar un diagnóstico. Convolutional neural networks (CNNs) have great potential in solving classification problems with images. The present research aims to present reduced models that allow identifying cases of pneumonia and COVID-19 in chest X-ray images (anterior-posterior), offering a broad perspective of the interest of tools that provide medical support and assistance. The capacity and size of the models were reduced until obtaining a perfect option to be deployed locally in devices with limited resources. The proposed algorithms were developed in Google Colab using the Python programming language, applying dense and convolutional neural networks to different layers until obtaining a low error rate, to later diagnose if the patient has COVID-19. To do this, a set of 603 high-resolution images from public databases (see in https://www.cell.com/cell/fulltext/S0092- 8674(18)30154-5 and https://github.com/ieee8023/covid-chestxray-dataset) is used, divided into 403 images for training, 200 images for testing and 12 images for validation. The tool designed with a convolutional neural network of 13 layers proposes the integration of machine learning (Machine Learning) as a support in the medical diagnosis process, with an accuracy of 94.73% can become a tool that provides greater speed when giving a diagnosis. Fil: Guevara Cruz, Ronny Stalin. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Bahía Blanca. Instituto de Ciencias e Ingeniería de la Computación. Universidad Nacional del Sur. Departamento de Ciencias e Ingeniería de la Computación. Instituto de Ciencias e Ingeniería de la Computación; Argentina