La Contribución de RESNET34 en la detección de COVID-19, utilizando radiografías de tórax

Abstract

En la lucha contra el avance del COVID-19, las imágenes de radiografías de tórax se convierten en una alternativa en la detección del virus. El interpretar las placas radiográficas para la detección del virus en ocasiones se complica por la presencia de otras enfermedades respiratorias. Se propone como complemento en la detección del virus, una red neuronal convolucional con arquitectura RESNET34 que permiten clasificar las imágenes de radiografías de tórax con COVID-19 e imágenes NOCOVID. El modelo presenta un grado de confiabilidad del 94,78% en la predicción de las imágenes en las dos clases COVID-19 y NOCOVID y un error en la predicción de las imágenes del 5,22%. Los resultados obtenidos, muestran un alto grado de predicción y clasificación de casos de COVID por encima del 90%, demostrando el aporte de la inteligencia artificial en el desarrollo de tecnologías preventivas de enfermedades respiratorias, además de apoyo para el personal médico. In the fight against the advance of COVID-19, chest X-ray images become an alternative in the detection of the virus. Interpreting radiographic films for virus detection is sometimes complicated by the presence of other respiratory diseases. A convolutional neural network with RESNET34 architecture is proposed as a complement in the detection of the virus, which allows classifying the images of chest radiographs with COVID-19 and NOCOVID images. The model presents a degree of reliability of 94.78% in the prediction of the images in the two classes COVID-19 and NOCOVID and an error in the prediction of the images of 5.22%. The results obtained show a high degree of prediction and classification of COVID cases above 90%, demonstrating the contribution of artificial intelligence in the development of preventive technologies for respiratory diseases, as well as support for medical personnel.