Please use this identifier to cite or link to this item:
https://rinacional.tecnm.mx/jspui/handle/TecNM/9561Full metadata record
| DC Field | Value | Language |
|---|---|---|
| dc.contributor.author | Reyes Sánchez, Emanuel | - |
| dc.creator | Reyes Sánchez, Emanuel%1106388 | - |
| dc.date.accessioned | 2025-03-22T00:32:28Z | - |
| dc.date.available | 2025-03-22T00:32:28Z | - |
| dc.date.issued | 2025-02-20 | - |
| dc.identifier.uri | https://rinacional.tecnm.mx/jspui/handle/TecNM/9561 | - |
| dc.description | En este trabajo se presenta el desarrollo de un modelo de aprendizaje profundo implementando una Red Neuronal Convolucional en conjunto con diferentes técnicas de preprocesamiento; que permite clasificar imágenes de radiografía de tórax en dos clases, siendo estas COVID-19 y NOCOVID-19. En este trabajo de investigación se establecieron 4 módulos: Adquisición y selección de conjuntos de imágenes médicas; Desarrollo del repositorio de radiografías de tórax; Análisis y selección de técnicas de preprocesamiento; y, Análisis y selección de técnicas de clasificación. En adquisición y selección de conjuntos de imágenes médicas, se realizó la recopilación de un gran conjunto de radiografías de tórax de pacientes con COVID-19, neumonías viral y bacteriana, y NOCOVID-19 (otras afectaciones pulmonares); se utilizaron 10 conjuntos de imágenes de acceso público provenientes de instituciones médicas, universidades, hospitales y médicos de diversas partes del mundo. El desarrollo del repositorio de radiografías de tórax consistió en que, tras la adquisición de imágenes, se realizó un cribado para descartar imágenes repetidas o de baja calidad, conformando una cantidad de radiografías de 6,050 de COVID-19, 2,630 de Neumonía Viral, 2,467 de Neumonía Bacteriana y 10,969 de NOCOVID-19. En Análisis y selección de técnicas de preprocesamiento, se realizó la normalización del conjunto de datos, Análisis e implementación de las técnicas de filtrado HE, BCET, CLAHE, Corrección Gamma y NCLAHE; Aumento del conjunto de datos mediante la reducción del ruido Impulsivo y Gaussiano, y descartar objetos presentes en algunas imágenes; destacando el conjunto de datos normalizados y aumentado, y aplicada la técnica de filtrado CLAHE. Análisis y selección de técnicas de clasificación, se evaluaron los modelos de Redes neuronales Convolucionales VGG-16, VGG-19, Xception, MobileNetV1, MobileNetV2 y ResNet50; en donde se seleccionó como modelo base a la RNC VGG-16. El modelo propuesto se evaluó con las métricas de clasificación de Redes Neuronales Convolucionales de Exactitud, Sensibilidad, Precisión y Valor-F1. Obteniendo un rendimiento efectivo del 92.34% en exactitud al clasificar a las radiografías de tórax como COVID-19 y NOCOVID-19. | es_MX |
| dc.language.iso | spa | es_MX |
| dc.publisher | Tecnológico Nacional de México | es_MX |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0 | es_MX |
| dc.subject | info:eu-repo/classification/cti/7 | es_MX |
| dc.subject.other | COVID-19, Redes Neuronales Convolucionales, Radiografía de Tórax, Aprendizaje Profundo, y Preprocesamiento. | es_MX |
| dc.title | Detección de COVID-19 y otras enfermedades respiratorias analizando radiografías toráxicas | es_MX |
| dc.type | info:eu-repo/semantics/masterThesis | es_MX |
| dc.contributor.director | González Franco, Nimrod%327636 | - |
| dc.contributor.director | Mújica Vargas, Dante%229106 | - |
| dc.folio | 1493 | es_MX |
| dc.rights.access | info:eu-repo/semantics/openAccess | es_MX |
| dc.publisher.tecnm | Centro Nacional de Investigación y Desarrollo Tecnológico | es_MX |
| Appears in Collections: | Tesis de Maestría en Computación | |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| MC_Emanuel_Reyes_Sanchez_2025.pdf | Tesis | 3.84 MB | Adobe PDF | View/Open |
| MC_Emanuel_Reyes_Sanchez_2025_c.pdf Restricted Access | Cesión de derechos | 462.48 kB | Adobe PDF | View/Open Request a copy |
This item is protected by original copyright |
This item is licensed under a Creative Commons License
