Implementación de una Red Neuronal Convolucional para Distinguir entre Patrones Radiológicos de COVID-19 y Neumonía en Imágenes Tomográficas de Tórax

• Rivero López , Carlos Jesús ^[1] ; Irahan Otoniel, José Guzmán ^[1] ; Martínez Flores, Galdino ^[1] ; Avendaño Cortes, Isaías ^[2]
  1. [1] Tecnológico Nacional de México Campus Instituto Tecnológico Superior de Misantla
  2. [2] Tecnológico Nacional de México Campus: Instituto Tecnológico Superior de Huatusco
• Localización: Ciencia Latina: Revista Multidisciplinar, ISSN-e 2707-2215, ISSN 2707-2207, Vol. 7, Nº. 6, 2023
• Idioma: español
• Títulos paralelos:
  • Implementation of a Convolutional Neural Network to Distinguish between Radiological Patterns of COVID-19 and Pneumonia in Chest CT Images
• Enlaces
  • Texto completo (pdf)
  • Texto completo
• Resumen
  • español

    En el año 2020, la Organización Mundial de la Salud (OMS) proclamó la existencia de una pandemia originada por el coronavirus (COVID-19), cuyo brote inicial tuvo lugar en Wuhan, China. Este virus ha tenido un impacto devastador, cobrando la vida de miles y afectando a millones en todo el mundo. Sus síntomas, que incluyen tos, fiebre, fatiga y disnea, se asemejan a los de una gripe común. La propagación del virus ocurre principalmente a través de partículas respiratorias emitidas por personas infectadas, las cuales pueden depositarse en los ojos, boca o nariz de otras personas. Para confirmar la infección, se utilizan dos tipos de pruebas: la prueba de reacción en cadena de la polimerasa con transcripción inversa (RT-PCR) y las pruebas de antígenos. Sin embargo, debido a sus procesamientos, estas pruebas pueden demorar en proporcionar resultados definitivos. Es en este contexto que la inteligencia artificial y las técnicas de Machine Learning (ML) se presentan como herramientas valiosas para mejorar la detección del virus en los pulmones de manera eficiente. En este trabajo, se propone la implementación de una Red Neuronal Convolucional (CNN) para la detección temprana de pacientes con COVID-19. Se utiliza un conjunto de datos compuesto por 3616 imágenes de rayos X de tórax, empleando una red neuronal preentrenada denominada VGG16. A través del entrenamiento, se logra una precisión óptima en la clasificación de las imágenes en las categorías de COVID y Neumonía.

  • English

    In 2020, the World Health Organization (WHO) proclaimed the existence of a pandemic originating from the coronavirus (COVID-19), the initial outbreak of which occurred in Wuhan, China. This virus has had a devastating impact, claiming the lives of thousands and affecting millions worldwide. Its symptoms, which include cough, fever, fatigue and dyspnea, resemble those of a common flu. Spread of the virus occurs primarily through respiratory particles emitted by infected people, which can be deposited in the eyes, mouth or nose of others. Two types of tests are used to confirm infection: reverse transcription-polymerase chain reaction (RT-PCR) and antigen testing. However, due to their processing, these tests can take time to provide definitive results. It is in this context that artificial intelligence and Machine Learning (ML) techniques are presented as valuable tools to improve virus detection in lungs in an efficient way. In this work, the implementation of a Convolutional Neural Network (CNN) for the early detection of patients with COVID-19 is proposed. A dataset composed of 3616 chest X-ray images is used, employing a pre-trained neural network named VGG16. Through training, optimal accuracy in classifying images into COVID and Pneumonia categories is achieved.