Classificació d’imatges pel diagnòstic de pneumònia
Visualitza/Obre
Estadístiques de LA Referencia / Recolecta
Inclou dades d'ús des de 2022
Cita com:
hdl:2117/350244
Tipus de documentTreball Final de Grau
Data2021-07-12
Condicions d'accésAccés obert
Tots els drets reservats. Aquesta obra està protegida pels drets de propietat intel·lectual i
industrial corresponents. Sense perjudici de les exempcions legals existents, queda prohibida la seva
reproducció, distribució, comunicació pública o transformació sense l'autorització del titular dels drets
Abstract
Unas décadas atrás, nació Deep Learning, una técnica que revolucionó el mundo de la Inteligencia Artificial tal y como se conocía. Esta imita el funcionamiento neuronal de un cerebro humano para clasificar conjuntos de datos y encontrar patrones entre ellos. Gracias a este sistema computacional, en este trabajo se ha podido diseñar un modelo clasificatorio de imágenes que detecte la neumonía. Para ello, se ha hecho uso de la metodología Transfer Learning. Esta se basa en utilizar modelos entrenados previamente para crear el nuevo modelo. Además se ha utilizado las redes neuronales convolucionales como
extractoras de patrones. Se ha decidido identificar esta patología porque la neumonía es una infección respiratoria que, si se complica, puede llegar a ser letal, sobre todo en niños menores de cinco años. Del mismo modo, se ha creado este modelo con el objetivo de que se pueda utilizar en estudios clínicos para así poder encontrar nuevos tratamientos o controlar la enfermedad. Para crear el modelo, se ha utilizado la librería Fast.ai. debido a que tiene componentes de alto nivel que permiten proporcionar resultados de forma más sencilla y rápida. El conjunto de datos utilizados para crear el modelo se ha extraído de la página web Kaggle. Como se quería obtener el mejor rendimiento posible, se han realizado cuatro modelos
distintos a partir de cuatro modelos pre entrenados; ResNet 18, ResNet 34, ResNet 50 y AlexNet. Al final, se han acabado obteniendo resultados muy buenos a partir de todos los modelos, incluso en tres de ellos se ha alcanzado una precisión mayor del 99%. Aun así, ha sido a partir de ResNet 50 que se ha obtenido el mejor rendimiento y con el que se ha creado
el programa que consigue detectar la neumonía A few decades ago, Deep Learning appeared revolutionizing the world of Artificial Intelligence as it was known. This technique mimics the neural functioning of a human brain to classify data sets and to find patterns among them. Thanks to this computational system, it has been possible to design through this project a classifying model of images that detects pneumonia. Transfer Learning has been the methodology used to achieve so. This method is based on using previously trained models to create the new model. Furthermore, convolutional neural networks have been used as pattern extractors. It was decided to identify this pathology because pneumonia is a respiratory infection that, if it gets bad, can be lethal, especially in children under five years old. Likewise, this model has been created with the aim of being used in clinical studies in order to find new treatments and to control the disease. To create the model, the Fast.ai. library has been used because it has high-level components that can quickly and easily provide results. The dataset used to create the model was extracted from the Kaggle website. As it was wanted to obtain the best possible performance, four different models have been made from four pre-trained models; ResNet 18, ResNet 34, ResNet 50 and AlexNet. In the end, very good results have been obtained from all the models, even in three of them an accuracy of more than 99% has been achieved. However, the best performance was obtained from ResNet 50. It was with this model that the program that detects pneumonia was created
MatèriesAutomatic classification -- Mathematical models -- Evaluation, Pneumonia -- Diagnosis -- Software, Artificial intelligence -- Medical applications, Computer vision in medicine -- Mathematical models, Neural networks (Computer science), Classificació automàtica -- Models matemàtics -- Avaluació, Pneumònia -- Diagnòstic -- Programari, Intel·ligència artificial -- Aplicacions a la medicina, Visió per ordinador en medicina -- Models matemàtics, Xarxes neuronals (Informàtica)
TitulacióGRAU EN ENGINYERIA EN TECNOLOGIES INDUSTRIALS (Pla 2010)
Fitxers | Descripció | Mida | Format | Visualitza |
---|---|---|---|---|
anablasi-tfg.pdf | 7,259Mb | Visualitza/Obre |